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。
1 import requests 2 from bs4 import BeautifulSoup 3 from datetime import datetime 4 import re 5 res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/') 6 res.encoding = 'utf-8' 7 soup = BeautifulSoup(res.text, 'html.parser') 8 9 10 # 获取新闻点击次数 11 def getNewsId(url): 12 #使用正则表达式获得新闻编号 13 newsId = re.findall(r'\_(.*).html', url)[0][-4:] 14 #生成点击次数的Request URL 15 clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId) 16 clickRes = requests.get(clickUrl) 17 # 利用正则表达式获取新闻点击次数 18 clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1)) 19 return clickCount 20 21 22 23 def getNewDetail(newsUrl): 24 # 读取新闻详情 25 resDescript = requests.get(newsUrl) 26 resDescript.encoding = "utf-8" 27 soupDescript = BeautifulSoup(resDescript.text, 'html.parser') 28 29 content = soupDescript.select(".show-content")[0].text # 正文 30 info = soupDescript.select(".show-info")[0].text # info相关内容 31 time = re.search("发布时间:(.*) \xa0\xa0 \xa0\xa0作者：", info).group(1) 32 author = re.search("作者：(.*)\xa0\xa0审核：", info).group(1) 33 right = re.search("审核：(.*)\xa0\xa0来源：", info).group(1) 34 resource = re.search('来源：(.*)\xa0\xa0\xa0\xa0摄影：', info).group(1) 35 video = re.search("摄影：(.*)\xa0\xa0\xa0\xa0点击：", info).group(1) 36 # 调用getNewsId()获取点击次数 37 count = getNewsId(newsUrl) 38 # 用datetime将时间字符串转换为datetime类型 39 dateTime = datetime.strptime(time, '%Y-%m-%d %H:%M:%S') 40 41 print('标题' + ': ' + title) 42 print('概要' + ': ' + description) 43 print('链接' + ': ' + a) 44 print('正文' + ' :' + content) 45 print('发布时间：{0}\n作者：{1}\n审核：{2}\n来源：{3}\n摄影：{4}\n点击次数：{5}'.format(dateTime, author, right, resource, video,count)) 46 print("\n") 47 48 49 50 for s in soup.select("li"): 51 if len(s.select(".news-list-title"))>0: 52 title = s.select(".news-list-title")[0].text #新闻标题 53 description = s.select(".news-list-description")[0].text #新闻描述 54 a = s.a.attrs["href"] #观看新闻详情 55 getNewDetail(a) 56 break
