爬取校园新闻首页的新闻的详情,使用正则表达式,函数抽离
1. 用requests库和BeautifulSoup库,爬取校园新闻首页新闻的标题、链接、正文、show-info。
2. 分析info字符串,获取每篇新闻的发布时间,作者,来源,摄影等信息。
3. 将字符串格式的发布时间转换成datetime类型
4. 使用正则表达式取得新闻编号
5. 生成点击次数的Request URL
6. 获取点击次数
7. 将456步骤定义成一个函数 def getClickCount(newsUrl):
8. 将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):
9. 尝试用使用正则表达式分析show info字符串,点击次数字符串。
import re import requests from bs4 import BeautifulSoup from datetime import datetime newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/' res = requests.get(newsurl) #返回response对象 res.encoding='utf-8' soup = BeautifulSoup(res.text,'html.parser') #循环遍历打印 def getNewDetail(newsurl1): for news in soup.select('li'): if len(news.select('.news-list-title'))>0: title=news.select('.news-list-title')[0].text descript=news.select('.news-list-description')[0].text a=news.a.attrs['href'] p=news.span.text time=datetime.strptime(p,'%Y-%m-%d') print("发布时间:",time) print("标题:",title) print("描述:",descript) getClickCount(a) resd = requests.get(a) resd.encoding = 'utf-8' soupd = BeautifulSoup(resd.text, 'html.parser') info = soupd.select('.show-info')[0].text author = info[info.find('作者:'):].split()[0].lstrip('作者:') source = info[info.find('来源:'):].split()[0].lstrip('来源:') photo = info[info.find('摄影:'):].split()[0].lstrip('摄影:') content = soupd.select('#content')[0].text print("作者:", author) print("来源:", source) print("摄影:", photo) print("正文:", content) #取一个例子 break def getClickCount(newsurl2): clickurl = 'http://oa.gzcc.cn/api.php?op=count&id=9183&modelid=80' #获得点击次数 sum=requests.get(clickurl).text.split('.html')[-1].lstrip("('").rstrip("');") print("点击次数:", sum) #正则表达式 re.match('http://news.gzcc.cn/html/2018/xiaoyuanxinwen(.*).html', newsurl2).group(1).split('/')[1] num=re.search('\_(.*).html', newsurl2).group(1) print('新闻编号:', num) getNewDetail(newsurl)
结果如下: