博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
爬取全部的校园新闻
阅读量:4583 次
发布时间:2019-06-09

本文共 2679 字,大约阅读时间需要 8 分钟。

作业要求来自:

1.从新闻url获取新闻详情: 字典,anews

2.从列表页的url获取新闻url:列表append(字典) alist

3.生成所页列表页的url并获取全部新闻 :列表extend(列表) allnews

*每个同学爬学号尾数开始的10个列表页

4.设置合理的爬取间隔

源代码如下:

import requestsimport refrom bs4 import BeautifulSoupfrom datetime import datetimeimport pandas as pdimport timeimport random#从新闻url获取新闻详情: 字典,anewsdef click(url):#获取点击次数    id=re.findall('(\d{1,5})',url)[-1]    clickUrl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)    res=requests.get(clickUrl)    newsClick=res.text.split('.html')[-1].lstrip("('").rstrip("');")    return newsClickdef newsdt(showinfo):#转换成datetime类型    newsDate=showinfo.split()[0].split(':')[1]    newsTime=showinfo.split()[1]    newsDT=newsDate+' '+newsTime    dt=datetime.strptime(newsDT,'%Y-%m-%d %H:%M:%S')    return dtdef new(url):#获取校园的点击次数,时间,标题    newsDetail={}    res=requests.get(url)    res.encoding='utf-8'    soup=BeautifulSoup(res.text,'html.parser')    newsDetail['nenewsTitle']=soup.select('.show-title')[0].text    showinfo=soup.select('.show-info')[0].text    newsDetail['newsDT']=newsdt(showinfo)    newsDetail['newsClick']=click(url)    #newsDetail['newDesc']=soup.select('.news-list-description')[0].text    return newsDetail#listUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'#print(soup)def alist(url):#从列表页的url获取新闻url:列表append(字典) alist    res=requests.get(listUrl)    res.encoding='utf-8'    soup = BeautifulSoup(res.text,'html.parser')    newsList = []    for news in soup.select('li'):        if len(news.select('.news-list-title'))>0:           newsUrl=news.select('a')[0]['href']#获取链接           #print(newsUrl)           newsDesc=news.select('.news-list-description')[0].text           newsDict=new(newsUrl)           newsDict['description']=newsDesc           newsList.append(newsDict)    return newsList        #print(newsList)                #alist(listUrl)i=int(soup.select('#pages')[0].text.split('..')[1].rstrip(' 下一页 '))#获取校园新闻的页数,去除多余的东西allnews=[]for i in range(96,106):#获取96~106页数的校园新闻的各项信息,生成所页列表页的url并获取全部新闻 :列表extend(列表) allnews    listUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    allnews.extend(alist(listUrl))            for i in range(5):#设置合理的爬取间隔        time.sleep(random.random()*3)        newsdf = pd.DataFrame(allnews)#转化为二维的表格型数据结构newsdf

运行结果如下图所示:

 

5.用pandas做简单的数据处理并保存

保存到csv或excel文件 

import sqlite3newsdf.to_csv(r'F:\gzccnews.csv')

 

运行结果:

成功保存到了F盘中的gzccnews5.csv中

 

保存到数据库

import sqlite3with sqlite3.connect('gzccnewsdb5.sqlite') as db:    newsdf.to_sql('gzccnewsdb5',db)with sqlite3.connect('gzccnewsdb5.sqlite') as db:    df2=pd.read_sql_query('SELECT * FROM gzccnewsdb5',con=db)    df2[df2['newsClick']>300]

 运行结果:

 

转载于:https://www.cnblogs.com/zyd1234/p/10672176.html

你可能感兴趣的文章
leecode第二十三题(合并K个排序链表)
查看>>
关于Eclipse的unsupported major minor version 51.0 错误
查看>>
2014年目标
查看>>
weblogic启动后 登陆控制台特别慢的问题
查看>>
Spring加载resource时classpath*:与classpath:的区别
查看>>
映射“DataAdapter.TableMappings”
查看>>
activity生命周期
查看>>
动画学习之Music图形绘制
查看>>
2019 2.15模拟赛
查看>>
基于H5 pushState实现无跳转页面刷新
查看>>
关于同余与模运算的总结
查看>>
js中top、clientTop、scrollTop、offsetTop的区别 文字详细说明版
查看>>
【转载】法线贴图Nomal mapping 原理
查看>>
prado 初步分析
查看>>
php 做守护进程1
查看>>
简单员工管理实例
查看>>
SAP 到出XLS
查看>>
HSV
查看>>
JAVA程序中SQL语句无法传递中文参数
查看>>
Android学习_数据库查询使用rawQuery遇到的问题
查看>>