博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
爬取校园网新闻首页的新闻 使用正则表达式,函数抽离
阅读量:6525 次
发布时间:2019-06-24

本文共 1808 字,大约阅读时间需要 6 分钟。

import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport reres = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')res.encoding = 'utf-8'soup = BeautifulSoup(res.text, 'html.parser')# 获取新闻点击次数def getNewsId(url):    newsId = re.findall(r'\_(.*).html', newsUrl)[0][-4:]    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)    clickRes = requests.get(clickUrl)    # 利用正则表达式获取新闻点击次数    clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1))    return clickCount# 获取新闻细节def getNewsDetail(newsUrl):    resd = requests.get(newsUrl)    resd.encoding = 'utf-8'    soupd = BeautifulSoup(resd.text, 'html.parser')    content = soupd.select('#content')[0].text    info = soupd.select('.show-info')[0].text    # 调用getNewsId()获取点击次数    count = getNewsId(newsUrl)    print(info)    # 识别时间格式    date = re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})', info).group(1)    # 识别一个至三个数据    author = re.search('作者:((.{3}\s){1,3})', info).group(1)    check = re.search('审核:((.{3}\s){1,3})', info).group(1)    sources = re.search('来源:((.{3}\s){1,3})', info).group(1)    # 用datetime将时间字符串转换为datetime类型    dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')    # 利用format对字符串进行操作    print('发布时间:{0}\n作者:{1}\n审核:{2}\n来源:{3}\n点击次数:{4}'.format(dateTime, author, check, sources, count))    print(content)for new in soup.select('li'):    if len(new.select('.news-list-title')) > 0:        title = new.select('.news-list-title')[0].text        description = new.select('.news-list-description')[0].text        newsUrl = new.select('a')[0]['href']        print('标题:{0}\n内容:{1}\n链接:{2}'.format(title, description, newsUrl))        # 调用getNewsDetail()获取新闻详情        getNewsDetail(newsUrl)        break

 

转载于:https://www.cnblogs.com/a565810497/p/8717862.html

你可能感兴趣的文章
JavaScript Unicode字符操作
查看>>
rhel-server-7.2-x86_64无法联网(VMware环境)
查看>>
Nginx配置中的log_format用法梳理(设置详细的日志格式)
查看>>
Atitit 软件工程概览attilax总结
查看>>
优化LibreOffice如此简单
查看>>
【Oracle 数据迁移】环境oracle 11gR2,exp无法导出空表的表结构【转载】
查看>>
秒杀系统设计方案
查看>>
3D印花芭蕾舞鞋为舞者科学地保护双脚
查看>>
冲浪科技获Ventech China数百万美元天使轮融资,发力自动驾驶行业
查看>>
通过ActionTrail监控AccessKey的使用
查看>>
从 JavaScript 到 TypeScript
查看>>
一个mysql复制中断的案例
查看>>
【最佳实践】OSS开源工具ossutil-大文件断点续传
查看>>
Linux常用的服务器构建
查看>>
深入了解 Weex
查看>>
Android第三方开源FloatingActionButton(com.getbase.floatingactionbutton)【1】
查看>>
【75位联合作者Nature重磅】AI药神:机器学习模型有望提前五年预测白血病!
查看>>
精通SpringBoot——第二篇:视图解析器,静态资源和区域配置
查看>>
JavaScript基础(六)面向对象
查看>>
总结几点Quartz的经验
查看>>