爬取校园新闻首页的新闻

1. 用requests库和BeautifulSoup库，爬取校园新闻首页新闻的标题、链接、正文。

import requests
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')

for news in soup.select('li'):
    if len(news.select('.news-list-title'))>0:
        d = news.select('.news-list-info')[0].contents[0].text  #时间
        t = news.select('.news-list-title')[0].text  #标题
        a = news.select('a')[0].attrs['href']   #连接
        print(d, t, a)      
        # 通过连接获取新闻网页
        res2 = requests.get(a)
        res2.encoding = 'utf-8'
        soup2 = BeautifulSoup(res2.text, 'html.parser')
        # 取得新闻正文
        z=soup2.select('#content')[0].text
        print(z)
        break

　　

 

 

2. 分析字符串，获取每篇新闻的发布时间，作者，来源等信息。

 #取得发布时间、作者等数据项
        info=soup2.select('.show-info')[0].text
        # print(info)
        dt = info.lstrip('发布时间:')[:19]
        at = info[info.find('作者：'):].split()[0].lstrip('作者：')
        sh = info[info.find('审核：'):].split()[0].lstrip('审核：')
        ly = info[info.find('来源：'):].split()[0].lstrip('来源：')
        print(dt, at, sh, ly)

　　

 

3. 将其中的发布时间由str转换成datetime类型。

from datetime import datetime
        dati = datetime.strptime(dt, '%Y-%m-%d %H:%M:%S')
        print(dati, dati.strftime('%Y/%m/%d'))