使用正则表达式，取得点击次数，函数抽离

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。

r = '^(\w)+(\.\w+)*@(\w)+((\.\w{2,3}){1,3})$'
e = '853585243@qq.com'
if re.match(r,e):
    print(re.match(r,e).group(0))
else:
    print("error!")

对：错：

2. 用正则表达式识别出全部电话号码。

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'''
li = re.findall('(\d{3,4})-(\d{6,8})',str)
print(li)

3. 用正则表达式进行英文分词。re.split('',news)

news = '''April 5th is the Tomb-sweeping Day in China this year, which is one of the most important traditional festivals. The young people will come back home and sweep tomb with their parents. '''
newscount = re.split('[\s,.?-]+',news)
print(newscount)

4. 使用正则表达式取得新闻编号

newsUrl = 'http://news.gzcc.cn/html/2017/xiaoyuanxinwen_0925/8249.html'
b = re.search('\_(.*).html',newsUrl).group(1).split('/')[-1]
print(b)

5. 生成点击次数的Request URL

newsId = re.search('\_(.*).html',newsUrl).group(1).split('/')[-1]
res = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
print(res)

6. 获取点击次数

res = requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80')
count = res.text.split(".html")[-1].lstrip("(')").rstrip("');")
print(count)

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

def getClickCount(newUrl):
    newsId = re.search('\_(.*).html',newsUrl).group(1).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("('").rstrip("');")))

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

def getNewDetail(newsUrl):

    ress=requests.get(newsUrl)

    ress.encoding = 'utf-8'

    soups = BeautifulSoup(ress.text, 'html.parser')

    title = soups.select('.show-title')[0].text  # 标题

    info = soups.select('.show-info')[0].text             #连接

    dt = datetime.strptime(info.lstrip('发布时间:')[:19], '%Y-%m-%d %H:%M:%S') #发布时间

    if info.find('来源：')>0:

        source=info[info.find('来源：'):].split()[0].lstrip('来源：')

    else:

        source='none'

    # content=soup.select(".show-content")[0].text.strip()

    click=getClickCount(newsUrl)

    print(dt, title, newsUrl, source, click)

 

res=requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')

res.encoding = 'utf-8'

soup = BeautifulSoup(res.text, 'html.parser')

for news in soup.select('li'):

    if len(news.select('.news-list-title')) > 0:

        ness=news.select('a')[0].attrs['href']#继续

        getNewDetail(ness)

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

pageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'

def getListPage(pageUrl):

    res2=requests.get(pageUrl)

    res2.encoding='utf-8'

    soup2=BeautifulSoup(res2.text,'html.parser')

    for news in soup2.select('li'):

        if len(news.select('.news-list-title')) > 0:

            newsUrl=news.select('a')[0].attrs['href']#继续

            getNewDetail(newsUrl)

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():  #新闻列表页的总页数
    res = requests.get("http://news.gzcc.cn/html/xiaoyuanxinwen/")
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    n = int(soup.select('.a1')[0].text.rstrip('条'))
    return (n // 10 + 1)

11. 获取全部新闻列表页的全部新闻详情。

x=getPageN()
for i in range(1,x+1):
    listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    getListPage(listPageUrl)