使用正则表达式，取得点击次数，函数抽离

1. 用正则表达式判定邮箱是否输入正确。

1 import re
2 r='^(\w)+(\.\w+)*@(\w)+((\.\w{2,3}){1,3})$'
3 e='67890222@qq.com'
4 if re.match(r,e):
5     print(re.match(r,e).group(0))
6 else:
7     print('非邮箱格式！')

2. 用正则表达式识别出全部电话号码。

1 str='''版权所有：广州商学院   地址：广州市黄埔区九龙大道206号
2 学校办公室：020-82876130   招生电话：020-82872773
3 粤公网安备 44011602000060号    粤ICP备15103669号'''
4 r = '\d{3}-\d{8}|\d{4}-\d{7}'
5 n=re.findall(r,str)
6 for i in n:
7     print(i)

3. 用正则表达式进行英文分词。re.split('',news)

1 str='''Completely destroy information stored without your knowledge or approval:
2 Internet history, Web pages and pictures from sites visited on the Internet,
3 unwanted cookies, chatroom conversations, deleted e-mail messages, temporary files,
4  the Windows swap file, the Recycle Bin, previously deleted files, valuable corporate
5  trade secrets, Business plans, personal files, photos or confidential letters,
6  etc.'''
7 n=re.split(r'[ \t\n]+',str)
8 for i in n:
9     print(i)

4. 使用正则表达式取得新闻编号

1 newurl='http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html'
2 newid=re.search('\_(.*).html',newurl).group(1).split('/')[-1]
3 print(newid)

5. 生成点击次数的Request URL

1 newurl='http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html'
2 newid=re.search('\_(.*).html',newurl).group(1).split('/')[-1]
3 res='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newid)
4 print(res)

6. 获取点击次数

1 newurl='http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html'
2 newid=re.search('\_(.*).html',newurl).group(1).split('/')[-1]
3 res=requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newid))
4 r1=int(res.text.split(".html")[-1].lstrip("('").rstrip("');"))
5 print(r1)

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

1 def getClickCount(newsUrl):
2     newid=re.search('\_(.*).html',newsUrl).group(1).split('/')[-1]
3     res=requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newid))
4     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):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    title = soupd.select('.show-title')[0].text
    info = soupd.select('.show-info')[0].text
    ti = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')
    if info.find('来源：') > 0:
        source = info[info.find('来源：'):].split()[0].lstrip('来源：')
    else:
        source = 'none'
    click = getClickCount(newsUrl)
    print(ti, title, source, click)

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

1 def getListPage(pageUrl):
2     res = requests.get(pageUrl)
3     res.encoding = 'utf-8'
4     soup = BeautifulSoup(res.text, 'html.parser')
5     for news in soup.select('li'):
6         if len(news.select('.news-list-title')) > 0:
7             g = news.select('a')[0].attrs['href']
8             print(g)
9             getNewDetail(g)

10. 获取总的新闻篇数，算出新闻总页数包装成函数def getPageN():

1 def getPageN():
2     res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
3     res.encoding = 'utf-8'
4     soup = BeautifulSoup(res.text, 'html.parser')
5     pagenumber=int(soup.select('.a1')[0].text.rstrip('条'))
6     page = pagenumber//10+1
7     return page

11. 获取全部新闻列表页的全部新闻详情。

1 pageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
2 n=getPageN()
3 for i in range(1,n+1):
4     print(i)
5     listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
6     getListPage(listPageUrl)

posted on 2018-04-11 21:30 何晓锋阅读(129) 评论(0) 收藏举报