码迷,mamicode.com
首页 > 其他好文 > 详细

爬取新闻列表

时间:2017-10-11 13:04:42      阅读:150      评论:0      收藏:0      [点我收藏+]

标签:html   orm   lis   动态   blog   url   tail   nbsp   get   

  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。
  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。
  3. 获取所有新闻列表页的网址,调用上述函数。
  4. 完成所有新闻的爬取。
    import requests
    from bs4 import BeautifulSoup
    
    res = requests.get(http://news.gzcc.cn/html/xiaoyuanxinwen/)
    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]
            time=news.select(.news-list-info)[0].contents[0].text
            dt=datetime.strptime(time,%Y-%m-%d)
            source=news.select(.news-list-info)[0].contents[1].text
    
            resd=requests.get(url)
            resd.encoding=utf-8
            soupd=BeautifulSoup(resd.text,html.parser)
    
            print(time,title,url)
    import requests
    from bs4 import BeautifulSoup
    from datetime import datetime
    
    gzccurl = http://news.gzcc.cn/html/xiaoyuanxinwen/
    res = requests.get(gzccurl)
    res.enconding=utf-8
    soup = BeautifulSoup(res.text,html.parser)
    
    for news in soup.select(li):
        if len (news.select(.news-list-litle))>0:
            title = news.select(.news-list-title)[0].text
            url = news.select(a)[0][href]
            time = news.select(.news-list-info)[0].contents[0].text
            dt = datetime.strptime(time,%Y-%m-%d)
            source = news.select(.news-list-info)[0].contents[1].text
    
            resd=requests.get(url)
            resd.encoding=utf-8
            soupd = BeautifulSoup(read.text,html.parser)
            detail = soupd.select(.show-content)[0].text
            click = requests.get(http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80).text.split(.)[-1].lstrip(html(‘‘))
    
            print(click)
            break

     

    import requests
    import re
    from bs4 import BeautifulSoup
    def getclick(newurl):    #函数:采用匹配方式,动态获取每一文章点击次数
        id=re.search(_(.*).html,newurl).group(1).split(/)[1]
        clickurl=http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80.format(id)
        click=int(requests.get(http://oa.gzcc.cn/api.php?op=count&id=4662&modelid=80).text.split(.)[-1].lstrip("html(‘").rstrip("‘);"))
        return click
    
    def getonepages(eveylisturl):  #函数:每一页的每一文章
        res=requests.get(eveylisturl)
        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
                time=news.select(.news-list-info)[0].contents[0].text#时间
                bumen=news.select(.news-list-info)[0].contents[1].text#院系
                #txt=news.select(‘.news-list-description‘)[0].text #正文
    
                resd=requests.get(url)
                resd.encoding=utf-8
                soupd=BeautifulSoup(resd.text,html.parser)
                detail=soupd.select(.show-content)[0].text #获取正文
                count=getclick(url)      #调用函数获得文章的点击次数
      
                print(title,count)
    
    gzcc=http://news.gzcc.cn/html/xiaoyuanxinwen/  #函数开头
    res=requests.get(gzcc)
    res.encoding=utf-8
    soup=BeautifulSoup(res.text,html.parser)
    
            
         
    n=int(soup.select(.a1)[0].text.rstrip())
    pages=n//10+1                    #计算多少条多少页
    for i in range(2,5):
        pagesurl=http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html.format(i)
        getonepages(pagesurl)

     

爬取新闻列表

标签:html   orm   lis   动态   blog   url   tail   nbsp   get   

原文地址:http://www.cnblogs.com/hxhlo/p/7649737.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!