python编写程序,爬取www.sdtbu.edu.cn网站上的所有新闻,每个新闻生成一个子文件夹,网页上的文本存放于一个文本文件,网页上的图片单独存放于该文件夹中

时间: 2024-03-30 10:40:25 浏览: 71
好的,这个问题需要编写一个爬虫程序来实现。我们可以使用Python的requests和BeautifulSoup库来获取网页内容和解析HTML。 首先,我们需要导入需要的库: ```python import os import requests from bs4 import BeautifulSoup ``` 然后,我们需要定义一个函数来获取网页内容,并使用BeautifulSoup来解析HTML: ```python def get_html(url): res = requests.get(url) res.encoding = 'utf-8' soup = BeautifulSoup(res.text, 'html.parser') return soup ``` 接下来,我们需要找到新闻列表的链接,并遍历每一个新闻链接。我们可以使用find_all函数来获取所有的新闻链接: ```python url = 'http://www.sdtbu.edu.cn/' soup = get_html(url) news_list = soup.find_all('a', class_='news-title') for news in news_list: news_url = news['href'] news_title = news.text print(news_url, news_title) ``` 现在我们已经获取了每个新闻的链接和标题,接下来我们需要在本地创建一个子文件夹,并将新闻页面的内容和图片保存到该文件夹中。我们可以使用os库中的mkdir函数来创建文件夹,并使用requests库中的get函数来下载图片。 ```python for news in news_list: news_url = news['href'] news_title = news.text # 创建子文件夹 folder_name = news_title.replace('/', '-') os.mkdir(folder_name) # 获取新闻页面的内容和图片 news_soup = get_html(news_url) content = news_soup.find('div', class_='content').text with open(folder_name + '/content.txt', 'w', encoding='utf-8') as f: f.write(content) img_list = news_soup.find_all('img') for i, img in enumerate(img_list): img_url = img['src'] img_data = requests.get(img_url).content with open(folder_name + '/img{}.jpg'.format(i), 'wb') as f: f.write(img_data) ``` 完整代码如下: ```python import os import requests from bs4 import BeautifulSoup def get_html(url): res = requests.get(url) res.encoding = 'utf-8' soup = BeautifulSoup(res.text, 'html.parser') return soup url = 'http://www.sdtbu.edu.cn/' soup = get_html(url) news_list = soup.find_all('a', class_='news-title') for news in news_list: news_url = news['href'] news_title = news.text # 创建子文件夹 folder_name = news_title.replace('/', '-') os.mkdir(folder_name) # 获取新闻页面的内容和图片 news_soup = get_html(news_url) content = news_soup.find('div', class_='content').text with open(folder_name + '/content.txt', 'w', encoding='utf-8') as f: f.write(content) img_list = news_soup.find_all('img') for i, img in enumerate(img_list): img_url = img['src'] img_data = requests.get(img_url).content with open(folder_name + '/img{}.jpg'.format(i), 'wb') as f: f.write(img_data) ```
阅读全文

最新推荐

recommend-type

用python爬取网页并导出为word文档.docx

在Python编程中,爬虫是一种常见的技术,用于自动获取网页内容。MongoDB作为一个非关系型数据库,因其灵活性和高性能在Web应用数据存储方面扮演着重要角色。本篇内容将介绍如何利用Python爬虫抓取网页内容,并将其...
recommend-type

Python爬虫爬取新闻资讯案例详解

Python爬虫爬取新闻资讯案例详解是一篇详细指导如何使用Python进行新闻数据抓取的文章。在互联网时代,新闻资讯的数据量庞大,通过爬虫技术可以有效地自动化获取和分析这些信息。本文将深入探讨如何利用Python的...
recommend-type

Python3 实现爬取网站下所有URL方式

在Python3中,爬取网站下所有URL是一项常见的任务,主要应用于数据抓取、网络分析等领域。本篇文章将介绍一种实现方法,通过requests库获取网页内容,然后利用BeautifulSoup解析HTML,提取出其中的链接。以下是对这...
recommend-type

Python实现合并同一个文件夹下所有txt文件的方法示例

在Python编程中,有时我们需要处理大量文本数据,例如将同一个文件夹下的所有TXT文本文件合并成一个大文件。这个过程涉及到文件的遍历、读取和写入等基本操作。以下是一个具体的Python实现方法,详细解释了如何完成...
recommend-type

用python爬取网页并用mongodb保存.docx

MongoDB 是一种流行的开源、基于分布式文件存储的文档型数据库,由 C++ 编写,主要为 WEB 应用提供可扩展的高性能数据存储解决方案。它不同于传统的关系型数据库,而是采用 BSON(Binary JSON)格式存储数据,允许...
recommend-type

Angular实现MarcHayek简历展示应用教程

资源摘要信息:"MarcHayek-CV:我的简历的Angular应用" Angular 应用是一个基于Angular框架开发的前端应用程序。Angular是一个由谷歌(Google)维护和开发的开源前端框架,它使用TypeScript作为主要编程语言,并且是单页面应用程序(SPA)的优秀解决方案。该应用不仅展示了Marc Hayek的个人简历,而且还介绍了如何在本地环境中设置和配置该Angular项目。 知识点详细说明: 1. Angular 应用程序设置: - Angular 应用程序通常依赖于Node.js运行环境,因此首先需要全局安装Node.js包管理器npm。 - 在本案例中,通过npm安装了两个开发工具:bower和gulp。bower是一个前端包管理器,用于管理项目依赖,而gulp则是一个自动化构建工具,用于处理如压缩、编译、单元测试等任务。 2. 本地环境安装步骤: - 安装命令`npm install -g bower`和`npm install --global gulp`用来全局安装这两个工具。 - 使用git命令克隆远程仓库到本地服务器。支持使用SSH方式(`***:marc-hayek/MarcHayek-CV.git`)和HTTPS方式(需要替换为具体用户名,如`git clone ***`)。 3. 配置流程: - 在server文件夹中的config.json文件里,需要添加用户的电子邮件和密码,以便该应用能够通过内置的联系功能发送信息给Marc Hayek。 - 如果想要在本地服务器上运行该应用程序,则需要根据不同的环境配置(开发环境或生产环境)修改config.json文件中的“baseURL”选项。具体而言,开发环境下通常设置为“../build”,生产环境下设置为“../bin”。 4. 使用的技术栈: - JavaScript:虽然没有直接提到,但是由于Angular框架主要是用JavaScript来编写的,因此这是必须理解的核心技术之一。 - TypeScript:Angular使用TypeScript作为开发语言,它是JavaScript的一个超集,添加了静态类型检查等功能。 - Node.js和npm:用于运行JavaScript代码以及管理JavaScript项目的依赖。 - Git:版本控制系统,用于代码的版本管理及协作开发。 5. 关于项目结构: - 该应用的项目文件夹结构可能遵循Angular CLI的典型结构,包含了如下目录:app(存放应用组件)、assets(存放静态资源如图片、样式表等)、environments(存放环境配置文件)、server(存放服务器配置文件如上文的config.json)等。 6. 开发和构建流程: - 开发时,可能会使用Angular CLI来快速生成组件、服务等,并利用热重载等特性进行实时开发。 - 构建应用时,通过gulp等构建工具可以进行代码压缩、ES6转译、单元测试等自动化任务,以确保代码的质量和性能优化。 7. 部署: - 项目最终需要部署到服务器上,配置文件中的“baseURL”选项指明了服务器上的资源基础路径。 8. 关于Git仓库: - 压缩包子文件的名称为MarcHayek-CV-master,表明这是一个使用Git版本控制的仓库,且存在一个名为master的分支,这通常是项目的主分支。 以上知识点围绕Angular应用“MarcHayek-CV:我的简历”的创建、配置、开发、构建及部署流程进行了详细说明,涉及了前端开发中常见的工具、技术及工作流。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

深入剖析:内存溢出背后的原因、预防及应急策略(专家版)

![深入剖析:内存溢出背后的原因、预防及应急策略(专家版)](https://d8it4huxumps7.cloudfront.net/uploads/images/65e82a01a4196_dangling_pointer_in_c_2.jpg?d=2000x2000) 参考资源链接:[Net 内存溢出(System.OutOfMemoryException)的常见情况和处理方式总结](https://wenku.csdn.net/doc/6412b784be7fbd1778d4a95f?spm=1055.2635.3001.10343) # 1. 内存溢出的概念及影响 内存溢出,又称
recommend-type

Java中如何对年月日时分秒的日期字符串作如下处理:如何日期分钟介于两个相连的半点之间,就将分钟数调整为前半点

在Java中,你可以使用`java.time`包中的类来处理日期和时间,包括格式化和调整。下面是一个示例,展示了如何根据给定的日期字符串(假设格式为"yyyy-MM-dd HH:mm:ss")进行这样的处理: ```java import java.text.SimpleDateFormat; import java.time.LocalDateTime; import java.time.ZoneId; import java.time.ZonedDateTime; public class Main { public static void main(String[] args
recommend-type

Crossbow Spot最新更新 - 获取Chrome扩展新闻

资源摘要信息:"Crossbow Spot - Latest News Update-crx插件" 该信息是关于一款特定的Google Chrome浏览器扩展程序,名为"Crossbow Spot - Latest News Update"。此插件的目的是帮助用户第一时间获取最新的Crossbow Spot相关信息,它作为一个RSS阅读器,自动聚合并展示Crossbow Spot的最新新闻内容。 从描述中可以提取以下关键知识点: 1. 功能概述: - 扩展程序能让用户领先一步了解Crossbow Spot的最新消息,提供实时更新。 - 它支持自动更新功能,用户不必手动点击即可刷新获取最新资讯。 - 用户界面设计灵活,具有美观的新闻小部件,使得信息的展现既实用又吸引人。 2. 用户体验: - 桌面通知功能,通过Chrome的新通知中心托盘进行实时推送,确保用户不会错过任何重要新闻。 - 提供一个便捷的方式来保持与Crossbow Spot最新动态的同步。 3. 语言支持: - 该插件目前仅支持英语,但开发者已经计划在未来的版本中添加对其他语言的支持。 4. 技术实现: - 此扩展程序是基于RSS Feed实现的,即从Crossbow Spot的RSS源中提取最新新闻。 - 扩展程序利用了Chrome的通知API,以及RSS Feed处理机制来实现新闻的即时推送和展示。 5. 版权与免责声明: - 所有的新闻内容都是通过RSS Feed聚合而来,扩展程序本身不提供原创内容。 - 用户在使用插件时应遵守相关的版权和隐私政策。 6. 安装与使用: - 用户需要从Chrome网上应用店下载.crx格式的插件文件,即Crossbow_Spot_-_Latest_News_Update.crx。 - 安装后,插件会自动运行,并且用户可以对其进行配置以满足个人偏好。 从以上信息可以看出,该扩展程序为那些对Crossbow Spot感兴趣或需要密切跟进其更新的用户提供了一个便捷的解决方案,通过集成RSS源和Chrome通知机制,使得信息获取变得更加高效和及时。这对于需要实时更新信息的用户而言,具有一定的实用价值。同时,插件的未来发展计划中包括了多语言支持,这将使得更多的用户能够使用并从中受益。