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。

 

# -*- coding: UTF-8 -*-
import requests
from  bs4 import  BeautifulSoup
from datetime import datetime
import re

#获取点击次数
def getClickCount(newsUrl):
    newsId = re.findall('\_(.*).html', newsUrl)[0].split('/')[1]
    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
    clickStr = requests.get(clickUrl).text
    count = re.search("hits'\).html\('(.*)'\);",clickStr).group(1)
    return count


# 获取新闻详情
def getNewDetail(url):
    resd = requests.get(url)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    info = soupd.select('.show-info')[0].text
    time = re.search('发布时间:(.*) \xa0\xa0 \xa0\xa0作者：', info).group(1)
    dtime = datetime.strptime(time, '%Y-%m-%d %H:%M:%S')

    print('链接：' + url)
    print('标题：' + title)
    print('发布时间：{}'.format(dtime))
    print('作者：' + re.search('作者：(.*)审核：', info).group(1))
    print('审核：' + re.search('审核：(.*)来源：', info).group(1))
    print('来源：' + re.search('来源：(.*)摄影：', info).group(1))
    print('摄影：' + re.search('摄影：(.*)点击', info).group(1))
    print('点击次数：' + getClickCount(a))


newsUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(newsUrl)
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
        #获取新闻模块链接
        a = news.a.attrs['href']
        #调用函数获取新闻正文
        getNewDetail(a)
        break

 

运行结果截图：