python网页爬取多页爬取

0.从新闻url获取点击次数，并整理成函数

• newsUrl
• newsId(re.search())
• clickUrl(str.format())
• requests.get(clickUrl)
• re.search()/.split()
• str.lstrip(),str.rstrip()
• int
• 整理成函数
• 获取新闻发布时间及类型转换也整理成函数

import re
url='http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html'
clickurl='http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80'

re.match('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/(.*).html',url)

re.match('http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/(.*).html',url).groups(0)

re.search('/(\d*).html',url).groups(1)

re.findall('(\d+)',url)

结果如下：

1.从新闻url获取新闻详情： 字典,anews

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,
群里还有不错的视频学习教程和PDF电子书！
'''
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
 
def click(url):
    id=re.findall('(\d{1,5})',url)[-1]
    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=11029&modelid=80'.format(id)
    resClick = requests.get(clickUrl)
    newsClick = int(resClick.text.split('.html')[-1].lstrip("('").rstrip("');"))
    return newsClick
 
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')
     
    return dt
 
def anews(url):
    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(newsUrl)
    return newsDetail
 
newsUrl='http://news.gzcc.cn/html/2005/xiaoyuanxinwen_0710/4.html'
anews(newsUrl)

结果：

2.从列表页的url获取新闻url：列表append(字典) alist

获取列表数据

listurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(listurl)
res.encoding ='utf-8'
soupn = BeautifulSoup(res.text,'html.parser') 
 
# a=soupn.select('a')
soupn

过滤过滤数据，只获取列表的新闻信息

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,
群里还有不错的视频学习教程和PDF电子书！
'''
for news in soupn.select('li'):
    if news.select('.news-list-title'):
        print(news)
        newsUrl = news.a['href']
        print(news.a['href'])

获取整页信息

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,
群里还有不错的视频学习教程和PDF电子书！
'''
def alist(listUrl):
    res = requests.get(listurl)
    res.encoding ='utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    newsList =[]
    for news in soupn.select('li'):
        if len(news.select('.news-list-title'))>0:
            newsUrl = news.select('a')[0]['href']
            newsDesc = news.select('.news-list-description')[0].text
            newsDict = anews(newsUrl)
            newsDict['newsUrl'] = newsUrl
            newsDict['description'] = newsDesc
            newsList.append(newsDict)
    return newsList
 
listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
alist(listUrl)

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

获取多页信息

截取以学号尾数开始的10个列表页

'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：857662006 寻找有志同道合的小伙伴，互帮互助,
群里还有不错的视频学习教程和PDF电子书！
'''
listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
allnews = alist(listUrl)
 
for i in range(7,17): #学号为7，截取10页
    listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    allnews.extend(alist(listUrl))
 
len(allnews)

4.设置合理的爬取间隔

import time

import random

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

import time
import random
listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
allnews = alist(listUrl)
 
for i in range(1,170): #学号为7，截取10页
    listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    allnews.extend(alist(listUrl))
    time.sleep(random.random()*3) #设置每3秒爬取一次

print(alist(listUrl)) len(allnews)

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’)

使用pandas函数整理爬取的数据

列表的形式打印数据

显示 “newsClick” 游览次数大于2337的新闻

生成csv文件