爬取全部的校園新聞

2022-07-18 12:15:14 字數 3603 閱讀 6042

作業要求來自：

1.從新聞url獲取新聞詳情： 字典,anews

3.生成所頁列表頁的url並獲取全部新聞 ：列表extend(列表) allnews

*每個同學爬學號尾數開始的10個列表頁

4.設定合理的爬取間隔

源**如下：

import


requests


import


refrom bs4 import


beautifulsoup


from datetime import


datetime


import


pandas as pd


import


time


import


random


#從新聞url獲取新聞詳情： 字典,anews


def click(url):#


獲取點選次數


id=re.findall('


(\d)


',url)[-1]


clickurl='


'.format(id)


res=requests.get(clickurl)


newsclick=res.text.split('


.html


')[-1].lstrip("


('").rstrip("


');"


)    


return


newsclick


def newsdt(showinfo):#


轉換成datetime型別


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):#


獲取校園的點選次數，時間，標題


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=''


#print(soup)


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


']#獲取鏈結


#print(newsurl)


newsdesc=news.select('


.news-list-description


')[0].text


newsdict=new(newsurl)


newsdict[


'description


']=newsdesc


return


newslist


#print(newslist)


#alist(listurl)


i=int(soup.select('


#pages


')[0].text.split('


..')[1].rstrip('


'))#


獲取校園新聞的頁數，去除多餘的東西


allnews=


for i in range(96,106):#


獲取96~106頁數的校園新聞的各項資訊，生成所頁列表頁的url並獲取全部新聞 ：列表extend(列表) allnews


listurl='


{}.html


'.format(i)


allnews.extend(alist(listurl))    


for i in range(5):#


設定合理的爬取間隔


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


newsdf = pd.dataframe(allnews)#


轉化為二維的**型資料結構


newsdf
執行結果如下圖所示：

5.用pandas做簡單的資料處理並儲存

儲存到csv或excel檔案 

import


sqlite3


newsdf.to_csv(r


'f:\gzccnews.csv


')
執行結果：

成功儲存到了f盤中的gzccnews5.csv中

儲存到資料庫

import


sqlite3


with 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]
執行結果：

爬取全部的校園新聞

1 從新聞url獲取新聞詳情 2 從列表頁的url獲取新聞url 3 生成所頁列表頁的url並獲取全部新聞 4 設定合理的爬取間隔 5 用pandas做簡單的資料處理並儲存成csv和sql檔案 import requests from bs4 import beautifulsoup from da...

爬取全部的校園新聞

本次作業 於 import包 import re import requests from bs4 import beautifulsoup from datetime import datetime import time import random import pandas as pd 0.從...

爬取全部的校園新聞

本次作業的要求來自於 0.從新聞url獲取點選次數，並整理成函式 1.熟練運用re.search match findall 2.從新聞url獲取新聞詳情 字典,anews import requests from bs4 import beautifulsoup from datetime imp...