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
from bs4 import BeautifulSoup
from datetime import datetime
import re
import jieba

def getNewsDetail(newsurl):#获取新闻详情
    resd=requests.get(newsurl)
    resd.encoding='utf-8'
    soupd=BeautifulSoup(resd.text,'html.parser')

    title = soupd.select('h1')[0].text
    info=soupd.select('time')[0].text
    time=datetime.strptime(info,'%m-%d %H:%M')
    author=soupd.select('#source')[0].text
    delcontent=soupd.select('p')[0].text
    newscontent=soupd.select('article')[0].text.lstrip(delcontent)

    keyWords=getKeyWords(newscontent)

    print(time)
    print(title)
    print(author)
    print(newscontent)
    print(keyWords)

def getKeyWords(newscontent):#获取新闻关键词
    newscontent = ''.join(re.findall('[\u4e00-\u9fa5]', newscontent))
    wordSet=set(jieba._lcut(newscontent))
    wordDict={}
    for i in wordSet:
        wordDict[i]=newscontent.count(i)
    delList=[]
    for i in wordDict.keys():
        if len(i)<2:
            delList.append(i)
    for i in delList:
        del wordDict[i]
    dictList=list(wordDict.items())
    dictList.sort(key=lambda item: item[1], reverse=True)
    keyWords=[]
    for i in range(20):
        keyWords.append(dictList[i][0])
    return keyWords


newsurl="https://m.haiwainet.cn/ttc/3541093/2018/0502/content_31308283_1.html?tt_group_id=6550811856905175559"
getNewsDetail(newsurl)

  

 

posted @ 2018-05-02 16:20  192邓锦秀  阅读(172)  评论(0编辑  收藏  举报