博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
作业——07 爬取全部的校园新闻
阅读量:5943 次
发布时间:2019-06-19

本文共 2687 字,大约阅读时间需要 8 分钟。

作业的要求来自于:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2941


 

1.从新闻url获取新闻详情: 字典,anews

import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport redef click(url):    id = re.findall('(\d{1,5})',url)[-1]#返回所有匹配的字符串的字符串列表的最后一个    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#时间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')#转换成datetime类型    return dt#内容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#题目    showinfo = soup.select('.show-info')[0].text    newsDetail['newsDT'] = newsdt(showinfo)#时间    newsDetail['newsClick'] = click(newsUrl)#点击次数    return newsDetailnewsUrl = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0404/11155.html'print(anews(newsUrl))
获取一条新闻的详情

效果如图所示:

 

2.从列表页的url获取新闻url:列表append(字典) alist

上述代码+def alist(url):    res = requests.get(listUrl)    res.encoding = 'utf-8'    soup = BeautifulSoup(res.text, 'html.parser')    newsList = []    for news in soup.select('li'):#获取li元素        if len(news.select('.news-list-title'))>0:#如果存在新闻题目            newsUrl = news.select('a')[0]['href']#获取新闻的链接            newsDesc = news.select('.news-list-description')[0].text#获取摘要文本            newsDict = anews(newsUrl)#通过链接获取题目时间点击数            newsDict['description'] = newsDesc            newsList.append(newsDict)#把每个新闻的信息放进字典扩展到列表里    return newsListlistUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'print(alist(listUrl))
获取一个列表页的全部新闻

效果如图所示:

 

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

allnews = []for i in range(59,69):    listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    allnews.extend(alist(listUrl))print(len(allnews))print(allnews)
爬取多页列表新闻的全部信息

效果如图所示:

4.设置合理的爬取间隔

import time

import random

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

for i in range(5):    print(i)    time.sleep(random.random()*3)
设置间隔

 

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')

保存到数据库

import sqlite3

with sqlite3.connect('gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnewsdb',db)

newsdf.to_csv('123.csv')   #在本地项目下生成一个表格存储爬取新闻内容with sqlite3.connect('gzccnewsdb.sqlite') as db:     newsdf.to_sql('gzccnewsdb',db)    #在本地项目下生成一个数据库存储爬取新闻内容
利用pandas保存到本地

 

运行效果如图所示:

csv文件内容如下:

sqlite文件内容如下:

转载于:https://www.cnblogs.com/linxiLYH/p/10681195.html

你可能感兴趣的文章
ssm中shiro的使用
查看>>
10个操作数的随机四则运算(二)
查看>>
django中聚合aggregate和annotate GROUP BY的使用方法
查看>>
TFS简介
查看>>
docker管理平台 shipyard安装
查看>>
安装django
查看>>
Bootstrap3 栅格系统-简介
查看>>
ADODB类库操作查询数据表
查看>>
第五章(5)Libgdx应用框架之线程
查看>>
【java】File的使用:将字符串写出到本地文件,大小0kb的原因
查看>>
安卓音乐播放器开发实例
查看>>
微信支付开发教程
查看>>
Junit指定测试执行顺序
查看>>
PHP put提交和获取数据
查看>>
s3接口认证说明
查看>>
js /jquery停止事件冒泡和阻止浏览器默认事件
查看>>
线程的一些解释
查看>>
mysql+keepalived搭建高可用环境
查看>>
java实现插入排序
查看>>
Linux下php连接sql server 2008
查看>>