首页 > 其他 > 详细

爬取新闻列表

时间:2017-10-11 21:39:20      阅读:287      评论:0      收藏:0      [点我收藏+]

1、获取单条新闻的#标题#链接#时间#来源#内容 #点击次数,并包装成一个函数。

import requests
from bs4 import BeautifulSoup

mt="http://news.gzcc.cn/html/xiaoyuanxinwen/"
res=requests.get(mt)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,"html.parser")

for news in soup.select(‘li‘):
    if len(news.select(‘.news-list-title‘))>0:
        title=(news.select(‘.news-list-title‘)[0].text)
        url=news.select(‘a‘)[0][‘href‘]
        day=(news.select(‘.news-list-info‘)[0].contents[0].text)
        sorce=(news.select(‘.news-list-info‘)[0].contents[1].text)
    
   
        resd=requests.get(url)
        resd.encoding=‘utf-8‘
        soupd=BeautifulSoup(resd.text,"html.parser")
        textd=(soupd.select(‘.show-content‘)[0].text)

        diji=requests.get(‘http://oa.gzcc.cn/api.php?op=count&id=8301&modelid=80‘).text.split(‘.‘)[-1].lstrip("html(‘").rstrip("html‘);")
        print(diji)
        break

 技术分享

2、获取一个新闻列表页的所有新闻的上述详情,并包装成一个函数。

 

import requests
from bs4 import BeautifulSoup

mt="http://news.gzcc.cn/html/xiaoyuanxinwen/"
res=requests.get(mt)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,"html.parser")

for news in soup.select(‘li‘):
    if len(news.select(‘.news-list-title‘))>0:
        title=(news.select(‘.news-list-title‘)[0].text)
        url=news.select(‘a‘)[0][‘href‘]
        day=(news.select(‘.news-list-info‘)[0].contents[0].text)
        sorce=(news.select(‘.news-list-info‘)[0].contents[1].text)
    
   
        resd=requests.get(url)
        resd.encoding=‘utf-8‘
        soupd=BeautifulSoup(resd.text,"html.parser")
        textd=(soupd.select(‘.show-content‘)[0].text)

        
        print(textd)
        break

 技术分享

3、获取所有新闻列表页的网址,调用上述函数。

import requests
from bs4 import BeautifulSoup
import re


gzccurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res=requests.get(gzccurl)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,"html.parser")

n=int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))
page=n//10+1
for i in range(page+1):
    pageurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
    print(pageurl)

技术分享

4、完成所有校园新闻的爬取工作。

 

import requests
from bs4 import BeautifulSoup
import re

mt="http://news.gzcc.cn/html/xiaoyuanxinwen/"
res=requests.get(mt)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,"html.parser")

def getdiji(newurl):
    id=re.search(‘_(.*).html‘,newurl).group(1).split(‘/‘)[1]
    dijiurl=‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(id)
    diji=requests.get(‘http://oa.gzcc.cn/api.php?op=count&id=8301&modelid=80‘).text.split(‘.‘)[-1].lstrip("html(‘").rstrip("html‘);")
    return diji


def genonepage(listurl):
    res=requests.get(listurl)
    res.encoding=‘utf-8‘
    soup=BeautifulSoup(res.text,"html.parser")

for news in soup.select(‘li‘):
    if len(news.select(‘.news-list-title‘))>0:
        title=(news.select(‘.news-list-title‘)[0].text) #标题
        url=news.select(‘a‘)[0][‘href‘]       #网址
        day=(news.select(‘.news-list-info‘)[0].contents[0].text) #日期
        sorce=(news.select(‘.news-list-info‘)[0].contents[1].text) #来源
    
   
        resd=requests.get(url)
        resd.encoding=‘utf-8‘
        soupd=BeautifulSoup(resd.text,"html.parser")
        textd=(soupd.select(‘.show-content‘)[0].text)#点击次数

        diji=getdiji(url)
        print(day,title,sorce,diji)
        
gzccurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res=requests.get(gzccurl)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,"html.parser")

n=int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))
page=n//10+1
for i in range(2,7):
    pageurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
    print(pageurl)

技术分享

 

爬取新闻列表

原文:http://www.cnblogs.com/liulingyuan/p/7650071.html

踩
(0)
赞
(0)
   
举报
评论 一句话评论(0)
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!