爬虫大作业

1.选一个自己感兴趣的主题。

2.用python 编写爬虫程序，从网络上爬取相关主题的数据。

3.对爬了的数据进行文本分析，生成词云。

4.对文本分析结果进行解释说明。

5.写一篇完整的博客，描述上述实现过程、遇到的问题及解决办法、数据分析思想及结论。

6.最后提交爬取的全部数据、爬虫及数据分析源代码。

import requests, re, jieba
from bs4 import BeautifulSoup
from datetime import datetime


# 获取新闻细节
def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'gb2312'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    content = soupd.select('.artText')[0].text
    info = soupd.select('.artDate')[0].text
    title = soupd.select('h1')[0].text
    date = re.search('(\d{4}.\d{2}.\d{2})', info).group(1)  # 识别时间格式
    dateTime = datetime.strptime(date, '%Y-%m-%d')  # 用datetime将时间字符串转换为datetime类型
    writeNews(content)
    keyWords = getKeyWords(content)
    print('标题：{}'.format(title))
    print('发布时间：{0}'.format(dateTime))
    print('关键词：{}、{}、{}'.format(keyWords[0], keyWords[1], keyWords[2]))
    print(content)
    return


# 通过jieba分词，获取新闻关键词
def getKeyWords(content):
    content = ''.join(re.findall('[\u4e00-\u9fa5]', content))  # 通过正则表达式选取中文字符数组，拼接为无标点字符内容
    wordSet = set(jieba._lcut(content))
    wordDict = {}
    for i in wordSet:
        wordDict[i] = content.count(i)
    deleteList, keyWords = [], []
    for i in wordDict.keys():
        if len(i) < 2:
            deleteList.append(i)  # 去掉单字无意义字符
    for i in deleteList:
        del wordDict[i]

    delete_worddict = {'率土之滨', '率土', '网易', '全新'}
    for i in delete_worddict:
        if i in wordDict:
            del wordDict[i]
    dictList = list(wordDict.items())
    dictList.sort(key=lambda item: item[1], reverse=True)  # 排序，返回前三关键字
    for i in range(3):
        keyWords.append(dictList[i][0])
    return keyWords


# 获取一页的新闻
def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = 'gbk'
    soup = BeautifulSoup(res.text, 'html.parser')
    for new in range(0, 5):
        newsUrl = soup.select('.item-inner')[new].select('a')[0]['href']
        t = 'http:' + newsUrl

        getNewsDetail(t)  # 调用getNewsDetail()获取新闻详情
        # break  # z只获取单个新闻，若要获取整页则去掉breakt


# 将新闻内容写入到文件
def writeNews(content):
    f = open('news.txt', 'a', encoding='utf-8')
    f.write(content)
    f.close()

for i in range(2, 12):
    listUrl = 'http://stzb.163.com/news/index_{}.html'.format(i)
    getListPage(listUrl)