爬取所有校园新闻

1获取单条新闻的#标题#链接#时间#来源#内容 #点击次数,并包装成一个函数。

import requests
import re
from bs4 import BeautifulSoup
url='http://news.gzcc.cn/html/xiaoyuanxinwen/'
res=requests.get(url)
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')

2获取一个新闻列表页的所有新闻的上述详情,并包装成一个函数。

def getclick(newurl):
    id=re.search('_(.*).html',newurl).group(1).split('/')[1]
    clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
    click=int(requests.get(clickurl).text.split(".")[-1].lstrip("html('").rstrip("');"))
    return click

3获取所有新闻列表页的网址,调用上述函数。

def getonpages(listurl):
    res=requests.get(listurl)
    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 #标题
            time=news.select('.news-list-info')[0].contents[0].text#时间
            url1=news.select('a')[0]['href'] #链接
            source=news.select('.news-list-info')[0].contents[1].text#来源
            description=news.select('.news-list-description')[0].text #内容

            resd=requests.get(url1)
            resd.encoding='utf-8'
            soupd=BeautifulSoup(resd.text,'html.parser')
            detail=soupd.select('.show-content')[0].text

            click=getclick(url1) #调用点击次数
            print(title,url1,click)

4完成所有校园新闻的爬取工作。

count=int(soup.select('.a1')[0].text.rstrip(""))
pages=count//10+1
for i in range(2,4):
    pagesurl="http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)
    getonpages(pagesurl)
posted @ 2017-10-12 21:28  讲道理  阅读(122)  评论(0编辑  收藏  举报