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。

 

import requests
from  bs4 import  BeautifulSoup
from datetime import datetime
import locale
import re
locale.setlocale(locale.LC_CTYPE,'chinese')
newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
req = requests.get(newsurl) #返回response
req.encoding = 'utf-8'
soup = BeautifulSoup(req.text, 'html.parser')

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

def getNewDetail(newsUrl):   #获取新闻详情
    resd = requests.get(newsUrl)  # 返回response
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    print('标题:' + title)
    print('描述:' + description)
    print('链接:' + newsUrl)
    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')   #将字符串格式的发布时间转换成datetime类型
    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))
    print('正文:'+soupd.select('.show-content')[0].text)

for news in soup.select('li'):
    if len(news.select('.news-list-title'))>0:
        title = news.select('.news-list-title')[0].text
        description = news.select('.news-list-description')[0].text
        a = news.a.attrs['href']
        getNewDetail(a)
        break

 

运行截图:

 

posted @ 2018-04-09 11:59  144+粱肇森  阅读(110)  评论(0编辑  收藏  举报