爬取全部的校园新闻

1.从新闻url获取新闻详情: 字典,anews

2.从列表页的url获取新闻url:列表append(字典) alist

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

4.设置合理的爬取间隔

import time

import random

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

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')

保存到数据库

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnewsdb',db)

# -*- coding: utf-8 -*-
"""
Created on Thu Apr 11 12:33:03 2019

@author: Administrator
"""

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas as pd
import time
import random
import sqlite3

newsUrl = 'http://news.gzcc.cn/html/2005/xiaoyuanxinwen_0710/4.html'
listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'


def click(url):
    id = re.findall('(\d{1,5})', url)[-1]
    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&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['newsTitle'] = soup.select('.show-title')[0].text
    showinfo = soup.select('.show-info')[0].text
    newsDetail['newsDT'] = newsdt(showinfo)
    newsDetail['newsClick'] = click(newsUrl)
    return newsDetail


def alist(url):
    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']
            newsDesc = news.select('.news-list-description')[0].text
            newsDict = anews(newsUrl)
            newsDict['description'] = newsDesc
            newsList.append(newsDict)
    return newsList


alist(listUrl)

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

for news in soup.select('li'):
    if len(news.select('.news-list-title')) > 0:
        newsUrl = news.select('a')[0]['href']
        print(anews(newsUrl))

allnews = []
for i in range(57, 67):
    listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    allnews.extend(alist(listUrl))

print("allnewsLength={}".format(len(allnews)))
print(allnews)

res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')
for news in soup.select('li'):
    if len(news.select('.news-list-title')) > 0:
        newsUrl = news.select('a')[0]['href']
        print(anews(newsUrl))

s1 = pd.Series([100, 23, 'bugingcode'])
print(s1)
pd.Series(anews)
newsdf = pd.DataFrame(allnews)
for i in range(5):
    print(i)
    time.sleep(random.random() * 3)
    print(newsdf)

newsdf.to_csv(r'D:\py_file\gzcc.csv',encoding='utf_8_sig')

with sqlite3.connect(r'D:\py_file\gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnewsdb',db)

 

转载于:https://www.cnblogs.com/gswyz/p/10688905.html

### 如何使用爬虫技术抓取学校官网新闻数据 #### 1. 确定目标网站的结构 在开始编写爬虫,需要分析目标网站(如学校官网)的HTML结构。通过浏览器的开发者工具(通常是F12快捷键),可以查看新闻页面的HTML代码,找到新闻标题、发布时间、正文等内容的具体标签和属性[^1]。 #### 2. 使用合适的编程语言和库 Python是实现网络爬虫的常用语言,因为它提供了丰富的第三方库来简化开发过程。以下是常用的库: - `requests`:用于发送HTTP请求。 - `BeautifulSoup` 或 `lxml`:解析HTML文档并提取所需信息。 - `pandas`:处理和存储抓取的数据。 - `selenium`:如果网页内容是动态加载的,可以使用Selenium模拟浏览器行为[^2]。 #### 3. 编写爬虫代码 以下是一个简单的示例代码,展示如何抓取学校官网新闻的基本信息: ```python import requests from bs4 import BeautifulSoup # 发送HTTP请求获取网页内容 url = "https://example.school.edu/news" # 替换为实际的学校官网新闻URL headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36" } response = requests.get(url, headers=headers) # 解析HTML文档 soup = BeautifulSoup(response.text, 'html.parser') # 提取新闻标题、链接和其他相关信息 news_items = soup.find_all('div', class_='news-item') # 替换为实际的新闻容器类名 for item in news_items: title = item.find('h2').text.strip() # 新闻标题 link = item.find('a')['href'] # 新闻链接 date = item.find('span', class_='date').text.strip() # 发布时间 print(f"标题: {title}\n链接: {link}\n日期: {date}\n") ``` 上述代码中,关键部分包括发送请求、解析HTML以及提取特定标签的内容。需要注意的是,实际的HTML结构可能有所不同,因此需要根据具体情况进行调整[^3]。 #### 4. 处理动态加载的网页 如果学校的新闻页面是通过JavaScript动态加载的,普通的`requests`库可能无法直接获取到完整的页面内容。此时可以使用`Selenium`来模拟浏览器行为。例如: ```python from selenium import webdriver from selenium.webdriver.chrome.service import Service from selenium.webdriver.common.by import By from bs4 import BeautifulSoup # 启动Selenium WebDriver service = Service(executable_path='/path/to/chromedriver') # 替换为ChromeDriver的实际路径 driver = webdriver.Chrome(service=service) driver.get("https://example.school.edu/news") # 等待页面加载完成 driver.implicitly_wait(10) # 获取页面源代码并解析 soup = BeautifulSoup(driver.page_source, 'html.parser') news_items = soup.find_all('div', class_='news-item') for item in news_items: title = item.find('h2').text.strip() link = item.find('a')['href'] date = item.find('span', class_='date').text.strip() print(f"标题: {title}\n链接: {link}\n日期: {date}\n") # 关闭浏览器 driver.quit() ``` #### 5. 遵守法律与道德规范 在进行网页爬取时,必须遵守目标网站的`robots.txt`文件规定以及相关法律法规。此外,频繁地访问网站可能会对服务器造成负担,因此建议设置合理的请求间隔时间,避免被封禁IP地址[^4]。 ---
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