首页 > 其他 > 详细

爬取全部校园新闻

时间:2019-04-15 22:46:19      阅读:179      评论:0      收藏:0      [点我收藏+]

0.从新闻url获取点击次数,并整理成函数

  • newsUrl
  • newsId(re.search())
  • clickUrl(str.format())
  • requests.get(clickUrl)
  • re.search()/.split()
  • str.lstrip(),str.rstrip()
  • int
  • 整理成函数
  • 获取新闻发布时间及类型转换也整理成函数

 

1
2
3
4
5
6
7
8
9
10
11
12
13
# 获取点击次数
def clickCount(url):
    newsId = re.search(‘/(\d+).html‘, url).groups(0)[0]
    timeUrl=‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(newsId)
    clickTime=re.findall("\d+",requests.get(timeUrl).text.split(‘;‘)[3])[0]
    return clickTime
 
#获取新闻时间
def newsDateTime(head):
    date=head[0][5:]
    time=head[1]
    format=‘%Y-%m-%d %H:%M:%S‘
    return datetime.strptime(date+" "+time,format)

  

1.从新闻url获取新闻详情: 字典,anews

1
2
3
4
5
6
7
8
9
10
11
12
13
#获取新闻信息
def anews(url):
    newsDetail={}
    get=requests.get(url)
    get.encoding=‘utf-8‘
    soup=BeautifulSoup(get.text,‘html.parser‘)
    newsDetail[‘title‘]=soup.select(‘.show-title‘)[0].text; # 新闻题目
    head=soup.select(‘.show-info‘)[0].text.split()
    newsDetail[‘datetime‘]=newsDateTime(head) # 新闻时间
    newsDetail[‘clickTime‘]=clickCount(url) # 点击次数
    newsDetail[‘content‘= soup.select(‘.show-content‘)[0].text # 点击内容
    newsDetail[‘url‘]=url
    return newsDetail

  

 

2.从列表页的url获取新闻url:列表append(字典) alist

1
2
3
4
5
6
7
8
9
10
11
#获取新闻列表页中的新闻url
def alist(listUrl):
    get=requests.get(listUrl)
    get.encoding=‘utf-8‘
    soup=BeautifulSoup(get.text,‘html.parser‘)
    newsList=[]
    for news in soup.select(‘li‘):
        if len(news.select(‘.news-list-title‘))>0:
            newsUrl=news.select(‘a‘)[0][‘href‘]
            newsList.append(newsUrl)
    return newsList

  

 

 

3.生成所页列表页的url并获取全部新闻 :列表extend(列表) allnews

*每个同学爬学号尾数开始的10个列表页

1
2
3
4
5
6
7
#爬取64至74页的数据
url=[]
for in range(64,74):
    url.extend(alist(‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)))
allnews=[];
for in url:
    allnews.append(anews(i))

  

 

4.设置合理的爬取间隔

import time

import random

time.sleep(random.random()*3)

1
2
3
4
#设置合理的爬取间隔
for in range(5):
    time.sleep(random.random()*3)
    print(newsdf)

  

 

5.用pandas做简单的数据处理并保存

保存到csv或excel文件 

newsdf.to_csv(r‘F:\duym\爬虫\gzccnews.csv‘)

1
2
3
4
#保存文件
pd.Series(allnews)
newsdf=pd.DataFrame(allnews)
newsdf.to_csv(‘news.csv‘,encoding=‘utf-8‘)

  

运行截图:

 技术分享图片

 

 

6.完整代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import sqlite3
import pandas as pd
import time
import pandas
import random
 
# 获取点击次数
def clickCount(url):
    newsId = re.search(‘/(\d+).html‘, url).groups(0)[0]
    timeUrl=‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(newsId)
    clickTime=re.findall("\d+",requests.get(timeUrl).text.split(‘;‘)[3])[0]
    return clickTime
 
#获取新闻时间
def newsDateTime(head):
    date=head[0][5:]
    time=head[1]
    format=‘%Y-%m-%d %H:%M:%S‘
    return datetime.strptime(date+" "+time,format)
 
#获取新闻信息
def anews(url):
    newsDetail={}
    get=requests.get(url)
    get.encoding=‘utf-8‘
    soup=BeautifulSoup(get.text,‘html.parser‘)
    newsDetail[‘title‘]=soup.select(‘.show-title‘)[0].text; # 新闻题目
    head=soup.select(‘.show-info‘)[0].text.split()
    newsDetail[‘datetime‘]=newsDateTime(head) # 新闻时间
    newsDetail[‘clickTime‘]=clickCount(url) # 点击次数
    newsDetail[‘content‘= soup.select(‘.show-content‘)[0].text # 点击内容
    newsDetail[‘url‘]=url
    return newsDetail
 
 
#获取新闻列表页中的新闻url
def alist(listUrl):
    get=requests.get(listUrl)
    get.encoding=‘utf-8‘
    soup=BeautifulSoup(get.text,‘html.parser‘)
    newsList=[]
    for news in soup.select(‘li‘):
        if len(news.select(‘.news-list-title‘))>0:
            newsUrl=news.select(‘a‘)[0][‘href‘]
            newsList.append(newsUrl)
    return newsList
 
#爬取64至74页的数据
url=[]
for in range(64,74):
    url.extend(alist(‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)))
allnews=[];
for in url:
    allnews.append(anews(i))
 
#保存文件
pd.Series(allnews)
newsdf=pd.DataFrame(allnews)
newsdf.to_csv(‘news.csv‘,encoding=‘utf-8‘)
 
#设置合理的爬取间隔
for in range(5):
    time.sleep(random.random()*3)
    print(newsdf)

爬取全部校园新闻

原文:https://www.cnblogs.com/GMUK/p/10713523.html

(0)
(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!