爬取所有校园新闻
1获取单条新闻的#标题#链接#时间#来源#内容 #点击次数,并包装成一个函数。
import requests import re from bs4 import BeautifulSoup url='http://news.gzcc.cn/html/xiaoyuanxinwen/' res=requests.get(url) res.encoding='utf-8' soup=BeautifulSoup(res.text,'html.parser')
2获取一个新闻列表页的所有新闻的上述详情,并包装成一个函数。
def getclick(newurl): id=re.search('_(.*).html',newurl).group(1).split('/')[1] clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id) click=int(requests.get(clickurl).text.split(".")[-1].lstrip("html('").rstrip("');")) return click
3获取所有新闻列表页的网址,调用上述函数。
def getonpages(listurl): res=requests.get(listurl) res.encoding='utf-8' soup=BeautifulSoup(res.text,'html.parser') for news in soup.select('li'): if len(news.select('.news-list-title'))>0: title=news.select('.news-list-title')[0].text #标题 time=news.select('.news-list-info')[0].contents[0].text#时间 url1=news.select('a')[0]['href'] #链接 source=news.select('.news-list-info')[0].contents[1].text#来源 description=news.select('.news-list-description')[0].text #内容 resd=requests.get(url1) resd.encoding='utf-8' soupd=BeautifulSoup(resd.text,'html.parser') detail=soupd.select('.show-content')[0].text click=getclick(url1) #调用点击次数 print(title,url1,click)
4完成所有校园新闻的爬取工作。
count=int(soup.select('.a1')[0].text.rstrip("条")) pages=count//10+1 for i in range(2,4): pagesurl="http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i) getonpages(pagesurl)