爬取全部的校园新闻

2019-04-12 20:37:38 阅读：258 来源： 互联网

标签：res url 新闻 random 校园爬取 text news import

本次作业的要求来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3002

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
运行代码：

import requests

def click(url):
    id=re.findall('(\d{1,5})',url)[-1]
    clickUrl="http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(id)
    resClick=requests.get(clickUrl)
    newsClick=int(resClick.text.split('.html')[-1].lstrip("('").rstrip("');"))
    return newsClick

运行截图：

获取新闻发布时间及类型转换也整理成函数

运行代码：

from datetime import datetime

def newsdt(showinfo):
    newsDate=showinfo.split()[0].split(':')[1]
    newsTime = showinfo.split()[1]
    newsDT=newsDate+' '+newsTime
    dt=datetime.strptime(newsDT,'%Y-%m-%d %H:%M:%S')
    return dt

1.从新闻url获取新闻详情：字典,anews

运行代码：

def anews(url):
    newsDetail={}
    res=requests.get(url)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    newsDetail['newstitle']=soup.select('.show-title')[0].text
    showinfo = soup.select('.show-info')[0].text
    newsDetail['newsDt'] = newsdt(showinfo)
    newsDetail['newsClick'] =click(url)
    return newsDetail

运行截图：

2.从列表页的url获取新闻url：列表append(字典) alist

运行代码：

def alist(url):
    res=requests.get(listUrl)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    newsList=[]
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            newsUrl=news.select('a')[0]['href']
            newsDesc=news.select('.news-list-description')[0].text
            newsDict=anews(newsUrl)
            newsDict['newsUrl']=newsUrl
            newsDict['description'] = newsDesc
            newsList.append(newsDict)
    return newsList

运行截图：

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）

运行代码：

listUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
    allnews = alist(listUrl)
    for i in range(21, 30):
        listUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)
        allnews.extend(alist(listUrl))

运行截图：

4.设置合理的爬取间隔

import time

import random

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

运行代码：

import time
import random
    for i in range(1, 5):
        time.sleep(random.random() * 3)  # 休眠随机数的3倍时间
    print(allnews)

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')

运行代码：

import pandas
newsdf=pd.DataFrame(allnews)
    newsdf.to_csv(r'F:\zyx\news.csv')

运行截图：

标签：res,url,新闻,random,校园,爬取,text,news,import
来源： https://www.cnblogs.com/zyx1998/p/10698407.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

爬取全部的校园新闻