python爬虫,爬取一系列新闻
这个作业的要求来自于:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2941。
由于存在多次请求,所以稍微将请求封装如下
def tranfrom_dom_tree(url):
'''
将获取的html文本转化为dom树
'''
response = requests.get(url);
response.encoding = "utf-8";
return BeautifulSoup(response.text, "html.parser");
将具体新闻内容封装如下
class News(object):
'''
广商校园新闻数据模型
'''
def __init__(self, url):
self._url = url; #新闻网页地址
self._dom_tree = tranfrom_dom_tree(url);
self._show_infos = self._dom_tree.select(".show-info")[0].text.split();
self._update_time = "";
self._auditor = "";
self._auothor = "";
self._origin = ""; for index, args in enumerate(self._show_infos):
if args.startswith("发布时间"):
self._update_time = args[5:] + " " + self._show_infos[index+1];
continue;
elif args.startswith("作者"):
self._auothor = args[3:];
continue;
elif args.startswith("审核"):
self._auditor = args[3:];
continue;
elif args.startswith("来源"):
self._origin = args[3:];
continue; @property
def title(self):
'''
:return: 新闻标题
'''
return self._dom_tree.select(".show-title")[0].text; @property
def auothor(self):
'''
:return: 新闻作者
'''
return self._auothor; @property
def auditor(self):
'''
:return: 新闻审核
'''
return self._auditor; @property
def origin(self):
'''
:return: 新闻发布单位
'''
return self._origin; @property
def update_time(self):
'''
:return: 新闻最后更新时间
'''
return self._update_time; @update_time.setter
def update_time(self, time):
'''
设置最后更新时间
:param time: 时间
'''
self._update_time = time; @property
def times(self):
'''
:return: 点击次数
'''
clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(self.news_id);
response = requests.get(clickUrl);
click = re.findall('(\d+)', response.text)[-1];
return click; @property
def news_id(self):
'''
:return: 新闻标识
'''
time = datetime.strptime(self._update_time, '%Y-%m-%d %H:%M:%S');
time = time.strftime("%m%d");
return re.match('http://news.gzcc.cn/html/.*/.*/(\d+).html', self._url).group(1); @property
def summary(self):
'''
:return: 新闻摘要内容
'''
return self._summary; @summary.setter
def summary(self, text):
'''
设置新闻摘要
:param text: 新闻摘要
'''
self._summary = text; def to_dict(self):
'''
将此类实例转换为字典
:return: 转换后的字典
'''
dict = {};
dict["news_url"] = self._url;
dict["news_id"] = self.news_id
dict["news_title"] = self.title;
dict["news_summary"] = self.summary;
dict["news_update_time"] = self.update_time;
dict["news_times"] = self.times;
dict["news_auothor"] = self.auothor;
dict["news_auditor"] = self.auditor;
dict["news_origin"] = self.origin;
return dict;
对新闻进行批操作代码如下
class GZCCNewsReptile(object):
'''
广州商学院校园新闻获取工具
'''
def __init__(self):
self._news_type = "dict";
self._root_url = "http://news.gzcc.cn/html/xiaoyuanxinwen/";
self._url = self.page_url();
self._dom_tree = tranfrom_dom_tree(self._url); def page_url(self, page=1):
'''
将指定页面解析数值解析对应url
:param page: 指定的一个新页面
'''
if page == 1:
self._now_page = "index";
else:
self._now_page = page;
return self._root_url+str(self._now_page)+".html"; @property
def count(self):
'''
:return: 返回校园新闻总条数
'''
count = self._dom_tree.select(".a1")[0].text;
return int(count[0:-1]); @property
def page(self):
'''
:return: 获取校园新闻总页数
'''
page = int(self.count) / 10;
int_page = int(page);
if page > int_page:
return ( int_page + 1);
else:
return int_page; def get_news_from_news_page_size(self, start_page, end_page):
'''
设置爬取页数范围,
start_page 小于 1 抛出 异常
start_page 大于 end_page 抛出 异常
end_page 大于 总页数 抛出 异常
:param start_page: 要爬取范围的开始页
:param end_page: 结束爬取范围的页面(不包括该页面)
'''
if start_page < 1:
raise IndexError("start_page不在指定范围内");
if start_page > end_page:
raise IndexError("start_page大于end_page");
if end_page > self.page:
raise IndexError("end_page不在指定范围内");
news_list = [];
times = (index for index in range(start_page, end_page));
# 爬取指定范围数据
for index in times:
# news_page_list = self.get_news_from_page_url(self.page_url(index));
news_page_list = self.get_page_news(index); # 较上句更利于封装
news_list.append(news_page_list);
news_list = sum(news_list, []);
return news_list; def get_page_news(self, page):
'''
获取指定页数
若指定的页数在可爬取页数的范围之外,则抛出运行异常异常
:param pages: 指定的页数
:return: 返回指定页的新闻列表
'''
if page < 1 or page > self.count:
raise IndexError("page不在指定范围内");
else:
print("\r当前正在%d页" % page, end="");
return self.get_news_from_page_url(self.page_url(page)); def get_news_from_page_url(self, url):
'''
获取指定url的所有新闻列表
:param pages: 指定的页面url
:return: news_page_list的列表
'''
dom_tree = tranfrom_dom_tree(url);
news_ui = dom_tree.select(".news-list li a");
news_page_list = [];
for index in range(0, 10):
try:
a_tag = news_ui[index];
href = a_tag.get("href"); news = News(href);
news.summary = a_tag.select(".news-list-description")[0].text;
news_page_list.append(eval("news.to_"+self.news_type+"()"));
except Exception:
error_log = "此页面不正常: %s"%href;
print("此页面不正常: %s"%href, end="");
with open("./logger.txt", "a", encoding="utf-8") as file:
now_time = time.time();
file.write(error_log + " 错误时间:" + time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(now_time)) ); return news_page_list; @property
def news_type(self):
'''
新闻默认类型设置
:return: 返回默认类型
'''
return self._news_type;
@news_type.setter
def news_type(self, type="dict"):
'''
新闻可选类型
:param type: 选择的类型
'''
if type == "dict":
self._news_type = type;
else :
raise Exception("未能匹配该类型");
测试代码如下
# 测试GZCCNewsReptil可用性
start_page = 106
# news_list = GZCCNewsReptile().get_news_from_news_page_size(start_page,start_page+10);
news_list = GZCCNewsReptile().get_news_from_news_page_size(1, 256);
pandas_date = pandas.DataFrame(news_list);
print(news_list);
# #csv
pandas_date.to_csv(".\pandas_date.csv", encoding="utf-8_sig");
# #sql
# with sqlite3.connect("test.sqlite") as db:
# pandas_date.to_sql("test", db);
# date = pandas_date.read_sql_query('SELECT * FROM gzccnewsdb5', con=db)
# date[date["news_times"]>380];
python爬虫,爬取一系列新闻的更多相关文章
- Python爬虫 - 爬取百度html代码前200行
Python爬虫 - 爬取百度html代码前200行 - 改进版, 增加了对字符串的.strip()处理 源代码如下: # 改进版, 增加了 .strip()方法的使用 # coding=utf-8 ...
- 用Python爬虫爬取广州大学教务系统的成绩(内网访问)
用Python爬虫爬取广州大学教务系统的成绩(内网访问) 在进行爬取前,首先要了解: 1.什么是CSS选择器? 每一条css样式定义由两部分组成,形式如下: [code] 选择器{样式} [/code ...
- 使用Python爬虫爬取网络美女图片
代码地址如下:http://www.demodashi.com/demo/13500.html 准备工作 安装python3.6 略 安装requests库(用于请求静态页面) pip install ...
- Python爬虫|爬取喜马拉雅音频
"GOOD Python爬虫|爬取喜马拉雅音频 喜马拉雅是知名的专业的音频分享平台,用户规模突破4.8亿,汇集了有声小说,有声读物,儿童睡前故事,相声小品等数亿条音频,成为国内发展最快.规模 ...
- python爬虫爬取内容中,-xa0,-u3000的含义
python爬虫爬取内容中,-xa0,-u3000的含义 - CSDN博客 https://blog.csdn.net/aiwuzhi12/article/details/54866310
- Python爬虫爬取全书网小说,程序源码+程序详细分析
Python爬虫爬取全书网小说教程 第一步:打开谷歌浏览器,搜索全书网,然后再点击你想下载的小说,进入图一页面后点击F12选择Network,如果没有内容按F5刷新一下 点击Network之后出现如下 ...
- python爬虫—爬取英文名以及正则表达式的介绍
python爬虫—爬取英文名以及正则表达式的介绍 爬取英文名: 一. 爬虫模块详细设计 (1)整体思路 对于本次爬取英文名数据的爬虫实现,我的思路是先将A-Z所有英文名的连接爬取出来,保存在一个cs ...
- 一个简单的python爬虫,爬取知乎
一个简单的python爬虫,爬取知乎 主要实现 爬取一个收藏夹 里 所有问题答案下的 图片 文字信息暂未收录,可自行实现,比图片更简单 具体代码里有详细注释,请自行阅读 项目源码: # -*- cod ...
- python爬虫-爬取百度图片
python爬虫-爬取百度图片(转) #!/usr/bin/python# coding=utf-8# 作者 :Y0010026# 创建时间 :2018/12/16 16:16# 文件 :spider ...
- python爬虫---爬取王者荣耀全部皮肤图片
代码: import requests json_headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win ...
随机推荐
- [LeetCode] Generate Random Point in a Circle 生成圆中的随机点
Given the radius and x-y positions of the center of a circle, write a function randPoint which gener ...
- css页面滚动触发动画
参考页面:http://www.jq22.com/jquery-info1384
- 转载Alpine Linux常用命令
Alpine Linux常用命令 目录 一:Alpine Linux开启SSH远程登陆 1.简介: 2.配置 3.配置命令 4.重启服务 二:Alpine Linux源管理 1.简介 2.国内源简介: ...
- Differenciate or distinguish between outlook attachment and embedded image/signature using property accessor in C#.NET
These days, outlook emails are composed in three formats; plain text, html and rtf (rich text format ...
- Install sublime text for elementary os
1. download sublime_text_3_build_3176_x86.tar.gz from http://www.sublimetext.com/3 2. extract it to ...
- Visual Studio Code for mac 设置中文
1,mac系统VScode设置中文 macOS 快捷键:command + shift + p 输入搜索 configure language 1.Ctrl+Shift+P 打开命令 2. ...
- [crypto][ipsec] 简述ESP协议的sequence number机制
预备 首先提及一个概念叫重放攻击,对应的机制叫做:anti-replay https://en.wikipedia.org/wiki/Anti-replay IPsec协议的anti-replay特性 ...
- Git branch && Git checkout常见用法
https://www.cnblogs.com/qianqiannian/p/6011404.html git branch 和 git checkout经常在一起使用,所以在此将它们合在一起 1.G ...
- 2018-2019-2 《网络对抗技术》Exp0 Kali安装 Week1 20165317
第一周作业 Kali的安装 Kali的下载 从kali官网下载kali-linux 64-bit 版本. Kali的安装 由于在娄老师的课上使用virtualbox, 所以我习惯性使用virtual ...
- matlab2014a 转化c语言
一.原因错误 第一种,命令窗口测试代码mbulid -setup 出错 , 就是电脑没有安装sdk7.1 网上有很多安装教程(注意要有vc++2010要卸载,具体看网上教程,安装好了要更性vc++ ...