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:6207 次
发布时间:2019-06-21

本文共 4617 字,大约阅读时间需要 15 分钟。

作业要求来自于

 

1.从新闻url获取新闻详情: 字典,anews

具体代码如下:

import pandasimport requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport redef click(url):    id = re.findall('(\d{1,5})',url)[-1]#返回所有匹配的字符串的字符串列表的最后一个    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)    resClick = requests.get(clickUrl)    newsClick = int(resClick.text.split('.html')[-1].lstrip("('").rstrip("');"))    return newsClick#时间def newsdt(showinfo):    newsDate = showinfo.split()[0].split(':')[1]    newsTime = showinfo.split()[1]    newsDT = newsDate+' '+newsTime    dt = datetime.strptime(newsDT,'%Y-%m-%d %H:%M:%S')#转换成datetime类型    return dt#内容def anews(url):    newsDetail = {}    res = requests.get(url)    res.encoding = 'utf-8'    soup = BeautifulSoup(res.text,'html.parser')    newsDetail['newsTitle'] = soup.select('.show-title')[0].text#题目    showinfo = soup.select('.show-info')[0].text    newsDetail['newsDT'] = newsdt(showinfo)#时间    newsDetail['newsClick'] = click(newsUrl)#点击次数    return newsDetailnewsUrl = 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0404/11155.html'print(anews(newsUrl))
anews

结果如下:

2.从列表页的url获取新闻url:列表append(字典) alist

具体代码如下:

import pandasimport requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport redef click(url):    id = re.findall('(\d{1,5})',url)[-1]#返回所有匹配的字符串的字符串列表的最后一个    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)    resClick = requests.get(clickUrl)    newsClick = int(resClick.text.split('.html')[-1].lstrip("('").rstrip("');"))    return newsClickdef newsdt(showinfo):    newsDate = showinfo.split()[0].split(':')[1]    newsTime = showinfo.split()[1]    newsDT = newsDate+' '+newsTime    dt = datetime.strptime(newsDT,'%Y-%m-%d %H:%M:%S')#转换成datetime类型    return dtdef anews(url):    newsDetail = {}    res = requests.get(url)    res.encoding = 'utf-8'    soup = BeautifulSoup(res.text,'html.parser')    newsDetail['newsTitle'] = soup.select('.show-title')[0].text#题目    showinfo = soup.select('.show-info')[0].text    newsDetail['newsDT'] = newsdt(showinfo)#时间    newsDetail['newsClick'] = click(newsUrl)#点击次数    return newsDetaildef alist(url):    res = requests.get(listUrl)    res.encoding = 'utf-8'    soup = BeautifulSoup(res.text, 'html.parser')    newsList = []    for news in soup.select('li'):#获取li元素        if len(news.select('.news-list-title'))>0:#如果存在新闻题目            newsUrl = news.select('a')[0]['href']#获取新闻的链接            newsDesc = news.select('.news-list-description')[0].text#获取摘要文本            newsDict = anews(newsUrl)#通过链接获取题目时间点击数            newsDict['description'] = newsDesc            newsList.append(newsDict)#把每个新闻的信息放进字典扩展到列表里    return newsListlistUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'print(alist(listUrl))
alist

结果如下:

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

具体代码如下:

def alist(url):    res = requests.get(listUrl)    res.encoding = 'utf-8'    soup = BeautifulSoup(res.text, 'html.parser')    newsList = []    for news in soup.select('li'):#获取li元素        if len(news.select('.news-list-title'))>0:#如果存在新闻题目            newsUrl = news.select('a')[0]['href']#获取新闻的链接            newsDesc = news.select('.news-list-description')[0].text#获取摘要文本            newsDict = anews(newsUrl)#通过链接获取题目时间点击数            newsDict['description'] = newsDesc            newsList.append(newsDict)#把每个新闻的信息放进字典扩展到列表里    return newsListlistUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'print(alist(listUrl))allnews = []for i in range(105,115):    listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    allnews.extend(alist(listUrl))print(len(allnews))
allnews

 结果如下:

4.设置合理的爬取间隔

import time

import random

time.sleep(random.random()*3)

具体代码如下:

import timeimport randomfor i in range(5):    print(i)    time.sleep(random.random()*3)#沉睡随机数的3倍秒数print(allnews)
爬取间隔

 结果如下:

5.用pandas做简单的数据处理并保存

保存到csv或excel文件 

newsdf.to_csv(r'F:\duym\爬虫\gzccnews.csv')

保存到数据库

import sqlite3

with sqlite3.connect('gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnewsdb',db)

具体代码如下:

import pandas as pds2 = pd.Series(anews(newsUrl))#一维数组对象print(s2)newsdf = pd.DataFrame(allnews)#表格型的数据结构print(newsdf)print(newsdf.sort_values(by=['newsDT'],ascending=False))#按更新时间降序排列print(newsdf.sort_index(by=['newsClick'],ascending=False))#按点击量降序排列newsdf.to_csv(r'gzccnews.csv')import sqlite3with sqlite3.connect('gzccnewsdb.sqlite') as db:    newsdf.to_sql('gzccnewsdb',db)with sqlite3.connect('gzccnewsdb.sqlite') as db:    df2 = pandas.read_sql_query('SELECT * FROM gzccnewsdb',con=db)print(df2[df2['newsClick']>385])
csv和数据库

 结果如下:

csv

 

数据库

转载于:https://www.cnblogs.com/kunnkkk/p/10680775.html

你可能感兴趣的文章
RecyclerView的下拉刷新和加载更多 动画
查看>>
ABAP常见面试问题
查看>>
程序猿是如何解决SQLServer占CPU100%的
查看>>
web.xml
查看>>
HBase-1.2.4LruBlockCache实现分析(一)
查看>>
SDN交换机在云计算网络中的应用场景
查看>>
革新以太网交换机架构 全光网络的风刮进园区
查看>>
物联网商机迸发 LPWAN芯片现身 本文转自d1net(转载)
查看>>
【eclipse转idea的第一天】配置idea
查看>>
error: Refusing toundefine while domain managed save image exists
查看>>
wordpress在新窗口打开留言者链接
查看>>
java开发过程中的命名规范
查看>>
mysql索引随记
查看>>
关于Pac-Man,你所要了解的 一切
查看>>
分布式配置管理平台Disconf
查看>>
pdf 字体和图片抽取
查看>>
Cisco Nexus 1000V
查看>>
我的友情链接
查看>>
[iOS Animation]-CALayer 性能优化实例
查看>>
CentOS多网卡重命名配置
查看>>