学会使用正则表达式

1. 用正则表达式判定邮箱是否输入正确。

import re

r = '^(\w)+(\.\w)*@(\w)+((\.\w{2,3}){1,3})$'
email = '-38332347@qq.com'
if re.match(r,email):
    print(re.match(r,email).group(0))
else:
    print("error")

2. 用正则表达式识别出全部电话号码。

import re
str = '''版权所有：广州商学院 地址：广州市黄埔区九龙大道206号
     学校办公室：020-82876130 招生电话：020-82872773
     粤公网安备 44011602000060号    粤ICP备15103669号'''
print(re.findall('(\d{3,4})-(\d{6,8})',str))

3. 用正则表达式进行英文分词。re.split('',news)

import re

string = "Had I not seen the Sun,I could have borne the shade."
print(re.split('[\s,.?\-]+',string))

4. 使用正则表达式取得新闻编号

import re
newUrl = "http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html"
newsId = re.findall("\_(.*).html",newUrl)[0].split("/")[-1];
print(newsId)　

5. 生成点击次数的Request URL

import re
newUrl = "http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html"
newsId = re.findall("\_(.*).html",newUrl)[0].split("/")[-1];
RequestUrl = "http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newsId)
print(RequestUrl)　　

6. 获取点击次数

import re
newUrl = "http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html"
newsId = re.findall("\_(.*).html",newUrl)[0].split("/")[-1];
res = requests.get("http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newsId))
print(int(res.text.split(".html")[-1].lstrip("('").rsplit("');")[0]))

7. 将456步骤定义成一个函数 def getClickCount(newsUrl):

import re
def getClickCount(newsUrl):
    newsId = re.findall("\_(.*).html",newUrl)[0].split("/")[-1];
    res = requests.get("http://oa.gzcc.cn/api.php?op=count&id= {}&modelid=80".format(newsId))
    return int(res.text.split(".html")[-1].lstrip("('").rsplit("');")[0])

8. 将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):

def getNewDetail(newsUrl):
    detail_res = requests.get(newsUrl)
    detail_res.encoding = "utf-8"
    detail_soup = BeautifulSoup(detail_res.text, "html.parser")
    print(detail_soup.select("#content")[0].text)  # 正文

    print(time, title, description, newsUrl)

    content = detail_soup.select("#content")[0].text
    info = detail_soup.select(".show-info")[0].text
    date_time = info.lstrip('发布时间:')[:19]
    print(info)

9. 取出一个新闻列表页的全部新闻 包装成函数def getListPage(pageUrl):

def getlist(url):
   for news in soup.select("li"):
        if len(news.select(".news-list-title"))>0:  #排除为空的li
            time = news.select(".news-list-info")[0].contents[0].text
            title = news.select(".news-list-title")[0].text
            description = news.select(".news-list-description")[0].text
            detail_url = news.select('a')[0].attrs['href']
            print(time, title, description, detail_url)

10. 获取总的新闻篇数，算出新闻总页数包装成函数def getPageN():

def getPageN(url):
    res = requests.get(url)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    return int(soup.select(".a1")[0].text.rstrip("条"))//10+1

11. 获取全部新闻列表页的全部新闻详情。

def getall(url):
   for num in range(2,getPageN(url)):
     listpageurl="http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(num)
     getlist(listpageurl)
     getNewDetail(listpageurl)