用requests库和BeautifulSoup4库爬取新闻列表

本文介绍了一个使用Python的requests库和BeautifulSoup4库进行网页爬取的例子。具体操作包括获取校园新闻列表的时间、标题、链接及来源,并将时间字符串转换为datetime格式。此外,还展示了如何封装函数来获取新闻详情,并提供了另一个主题爬虫实例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.用requests库和BeautifulSoup4库,爬取校园新闻列表的时间、标题、链接、来源。

import requests
from bs4 import BeautifulSoup

gzccurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(gzccurl)
res.encoding='utf-8'

soup = BeautifulSoup(res.text,'html.parser')

for news in soup.select('li'):
    if len(news.select('.news-list-title'))>0:
        title = news.select('.news-list-title')[0].text#标题
        url = news.select('a')[0]['href']#链接
        time = news.select('.news-list-info')[0].contents[0].text
        source = news.select('.news-list-info')[0].contents[1].text
        
        #详情
        #resd = requests.get(url)
        #res.encoding='utf-8'
        #soupd = BeautifulSoup(res.text,'html.parser')
        #detail = soupd.select('.show-content')

        print(time,'\n',title,'\n',url,'\n',source,'\n')
        

结果:

2.将其中的时间str转换成datetime类型。

import requests
from bs4 import BeautifulSoup
from datetime import datetime

gzccurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(gzccurl)
res.encoding='utf-8'
soup = BeautifulSoup(res.text,'html.parser')

#def getdetail(url):
    #resd = requests.get(url)
    #resd.encoding='utf-8'
    #soupd = BeautifulSoup(res.text,'html.parser')
    #return (soupd.select('.show-content')[0].text)

for news in soup.select('li'):
    if len(news.select('.news-list-title'))>0:
        title = news.select('.news-list-title')[0].text#标题
        url = news.select('a')[0]['href']#链接
        time = news.select('.news-list-info')[0].contents[0].text
        dt = datetime.strptime(time,'%Y-%m-%d')
        source = news.select('.news-list-info')[0].contents[1].text#来源
        #detail = getdetail(url)#详情


        print(dt,'\n',title,'\n',url,'\n',source,'\n')
        
        

结果

3.将取得详细内容的代码包装成函数。

import requests
from bs4 import BeautifulSoup
from datetime import datetime

gzccurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(gzccurl)
res.encoding='utf-8'
soup = BeautifulSoup(res.text,'html.parser')

def getdetail(url):
    resd = requests.get(url)
    resd.encoding='utf-8'
    soupd = BeautifulSoup(res.text,'html.parser')
    return (soupd.select('.show-content')[0].text)

for news in soup.select('li'):
    if len(news.select('.news-list-title'))>0:
        title = news.select('.news-list-title')[0].text#标题
        url = news.select('a')[0]['href']#链接
        time = news.select('.news-list-info')[0].contents[0].text
        dt = datetime.strptime(time,'%Y-%m-%d')
        source = news.select('.news-list-info')[0].contents[1].text#来源
        detail = getdetail(url)#详情


        print(dt,'\n',title,'\n',url,'\n',source,'\n')
        break
        

结果

4.选一个自己感兴趣的主题,做类似的操作,为“爬取网络数据并进行文本分析”做准备。

import requests
from bs4 import BeautifulSoup
jq='http://www.lbldy.com/tag/gqdy/'
res = requests.get(jq)
res.encoding='utf-8'
soup = BeautifulSoup(res.text,'html.parser')
 
for news in soup.select('li'):
    if len(news.select('a'))>0:
        title=news.select('a')[0].text
        url=news.select('a')[0]['href']
        #time=news.select('span')[0].contents[0].text
        #print(time,title,url)
        print(title,url)

结果:

转载于:https://www.cnblogs.com/husiqi/p/7606167.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