使用正则表达式,取得点击次数,函数抽离

本文介绍了一个使用Python进行网页爬取的例子,通过requests和BeautifulSoup库抓取指定网站的文章标题、时间、来源等信息,并对获取的数据进行了进一步处理,如时间格式转换和点击数统计。
import requests
from bs4 import BeautifulSoup
import string
import time
import datetime
import re




#获取文章详情
def getNewDetail(newsrrl):
    #点击次数
    def getClickCount(newUrl):
            #获取新闻编号
            r2=re.findall('\_\d+\/(.*?)\.',d,re.S)
            #print(r2)
            r1='http://oa.gzcc.cn/api.php?op=count&id='
            r3='&modelid=80'
            r22="".join(r2)

            #生成点击次数的URL
            r_all=r1+r22+r3
            #print(r_all)
            rlink2=requests.get(r_all,headers=head)

            #获取点击次数
            hist=rlink2.text.split('.html')[-1].lstrip("(')").rstrip("');")
            return hist
    soup=BeautifulSoup(r.text,'html.parser')
    for i in soup.select('li'):
        if len(i.select(".news-list-title"))>0:
            a=i.select(".news-list-title")[0].text
            b=i.select(".news-list-info")[0].contents[0].text
            c=i.select(".news-list-info")[0].contents[1].text
            d=i.select("a")[0].attrs['href']

            hist=getClickCount(d)



            print("标题:"+a+'\n'+"时间:"+b+'\n'+"来源:"+c+'\n'+"链接:"+d+'\n'+"点击:"+hist+'\n\n')
            print()


            rlink=requests.get(d,headers=head)
            rlink.encoding='utf-8'
            #print(rlink.text)
            soup=BeautifulSoup(rlink.text,'html.parser')
            e=soup.select(".show-info")[0].text
            f=e.split()
            for i in range(len(f)-1):
                print(f[i],end=' ')
            print("点击:"+hist+"")
            print()
            print()



            #时间类型转换
            dt=e.lstrip('发布时间:')[:19]
            dt = datetime.datetime.strptime(dt,'%Y-%m-%d %H:%M:%S')
            print("datetime类型时间:",end=' ')
            print(dt)
            print()



            #作者
            i=e.find('作者:')
            if i>0:
                s=e[e.find('作者:'):].split()[0].lstrip('作者:')
            print("作者:",end=' ')
            print(s)
            print()



            #审核
            i=e.find('审核:')
            if i>0:
                s=e[e.find('审核:'):].split()[0].lstrip('审核:')
            print("审核:",end=' ')
            print(s)
            print()



            #来源
            i=e.find('来源:')
            if i>0:
                s=e[e.find('来源:'):].split()[0].lstrip('来源:')
            print("来源:",end=' ')
            print(s)
            print()
        
        
        
            #摄影
            i=e.find('摄影:')
            if i>0:
                s=e[e.find('摄影:'):].split()[0].lstrip('摄影:')
            print("摄影:",end=' ')
            print(s)
            print()



            #点击次数
            i=e.find('点击:')
            if i>0:
                print("点击:",end=' ')
            print(hist)

            for pn in range(5):
                print()




            print()
            #打印文章主体
            print(soup.select("#content")[0].text)
            print()
            print()
            print()

#爬虫伪装
head = {}
head['user-agent']='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'

r=requests.get("http://news.gzcc.cn/html/xiaoyuanxinwen/",headers=head)
r.encoding='utf-8'
soup=BeautifulSoup(r.text,'html.parser')
getNewDetail(r)



#电话
telephone=re.findall('(\d{3,4})\-(\d{6,8})',soup.text,re.S)
print(telephone)
print()

#邮箱
email='308800902@qq.com'
eroll='^([0-9a-zA-Z_]{0,19}@[0-9a-zA-Z_]{0,19}(?:\.\w{2,3}){0,2})$'
efinadll=re.findall(eroll,email)
print(efinadll)
print()

#英文分词
estr='''Personal information such as names, birthdays, nicknames, pet's names, social security numbers, and the like 
should never, ever, ever be used because these are way too obvious and too easy to crack. The more you avoid using 
things like this as your passwords, the more secure your login areas will be.'''
print(re.split("[\s,.?!]+",estr))

转载于:https://www.cnblogs.com/wban48/p/8782518.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值