博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
requests库和BeautifulSoup4库爬取新闻列表
阅读量:6305 次
发布时间:2019-06-22

本文共 2398 字,大约阅读时间需要 7 分钟。

画图显示:

 

import jiebafrom wordcloud import WordCloudimport matplotlib.pyplot as plttxt = open("zuihou.txt","r",encoding='utf-8').read()wordlist = jieba.lcut(txt) wl_split=" ".join(wordlist)mywc = WordCloud().generate(wl_split)plt.imshow(mywc)plt.axis("off")plt.show()

结果:

 

 用requests库和BeautifulSoup4库,爬取校园新闻列表的时间、标题、链接、来源、详细内容

爬虫,网页信息

import requestsfrom bs4 import BeautifulSoupgzccurl = '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        url = news.select('a')[0]['href']        print(title,url)

结果:

 加上时间:

for news in soup.select('li'):    if len(news.select('.news-list-title'))>0:        title = news.select('.news-list-title')[0].text        url = news.select('a')[0]['href']        time = news.select('.news-list-info')[0].contents[0].text                print(time,title,url)

效果:

  • 将其中的时间str转换成datetime类型。
  • 将取得详细内容的代码包装成函数。
import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimegzccurl = '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(resd.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        url = news.select('a')[0]['href']        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        detail = getdetail(url)        print(dt,title,url,source,detail)

结果:

  • 选一个自己感兴趣的主题,做类似的操作,为后面“爬取网络数据并进行文本分析”做准备。
import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimegzccurl = 'http://www.lbldy.com/tag/gqdy/'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(resd.text,'html.parser')    return(soupd.select('.show-content')[0].text)for news in soup.select('h4'):            print(news)

结果:

 

转载于:https://www.cnblogs.com/ruijin-chen/p/7605982.html

你可能感兴趣的文章
python 异常
查看>>
last_insert_id()获取mysql最后一条记录ID
查看>>
可执行程序找不到lib库地址的处理方法
查看>>
bash数组
查看>>
Richard M. Stallman 给《自由开源软件本地化》写的前言
查看>>
oracle数据库密码过期报错
查看>>
修改mysql数据库的默认编码方式 .
查看>>
zip
查看>>
How to recover from root.sh on 11.2 Grid Infrastructure Failed
查看>>
rhel6下安装配置Squid过程
查看>>
《树莓派开发实战(第2版)》——1.1 选择树莓派型号
查看>>
在 Linux 下使用 fdisk 扩展分区容量
查看>>
结合AlphaGo算法和大数据的量化基本面分析法探讨
查看>>
如何在 Ubuntu Linux 16.04 LTS 中使用多个连接加速 apt-get/apt
查看>>
《OpenACC并行编程实战》—— 导读
查看>>
机器学习:用初等数学解读逻辑回归
查看>>
如何在 Ubuntu 中管理和使用逻辑卷管理 LVM
查看>>
Oracle原厂老兵:从负面案例看Hint的最佳使用方式
查看>>
把自己Github上的代码添加Cocoapods支持
查看>>
C语言OJ项目参考(2493)四则运算
查看>>