|
|
import requests
|
|
|
from bs4 import BeautifulSoup
|
|
|
|
|
|
def search_sina_news(keyword='新闻', time='d', page=1):
|
|
|
"""
|
|
|
搜索新浪新闻
|
|
|
:param keyword: 搜索关键字，默认为'新闻'
|
|
|
:param time: 时间范围，默认为'd'（一天内）
|
|
|
:param page: 页码，默认为1（第一页）
|
|
|
:return: 返回抓取到的搜索结果列表
|
|
|
"""
|
|
|
results = [] # 存放抓取到搜索结果的列表
|
|
|
order = 0 # 抓取到的搜索结果序号
|
|
|
|
|
|
url = f'https://search.sina.com.cn/news?c=news&adv=1&q={keyword}&time={time}&size=20&page={str(page)}'
|
|
|
"""
|
|
|
参数说明
|
|
|
c=news news-新闻
|
|
|
adv=1 1-高级搜索模式； 0-普通搜索模式
|
|
|
q 关键字
|
|
|
time 时间范围：h-一个小时内；d-一天内；w-一周内；m-一个月内；年份数字(如2023、2024)-表示限定指定的年份内
|
|
|
size=20 每页显示的结果数量，范围10-20
|
|
|
page 当前抓取的页号，1-第一页，2-第二页，依此类推
|
|
|
"""
|
|
|
|
|
|
# 发送get请求
|
|
|
response = requests.get(url)
|
|
|
response.encoding = 'utf-8'
|
|
|
|
|
|
# 检查请求是否成功
|
|
|
if response.status_code == 200:
|
|
|
# 解析响应内容
|
|
|
soup = BeautifulSoup(response.text, 'html.parser')
|
|
|
|
|
|
if page == 1: # 只有第一页是才抓取
|
|
|
try:
|
|
|
# 获取总的搜索结果信息
|
|
|
news_number = soup.find('div', 'l_v2').text
|
|
|
print(news_number)
|
|
|
except Exception as e:
|
|
|
print(e)
|
|
|
|
|
|
# 抓取当前页面中的搜索结果
|
|
|
result_blocks = soup.find_all('div', class_='box-result clearfix')
|
|
|
print(f'第{page}页抓取到的搜索结果数量为{len(result_blocks)}')
|
|
|
|
|
|
# 从result_blocks列表中提取有效的数据
|
|
|
for block in result_blocks:
|
|
|
order += 1
|
|
|
title = block.find('a').text # 获取标题
|
|
|
link = block.find('a')['href'] # 获取链接
|
|
|
# 获取包含内容摘要、来源、发布时间的信息块
|
|
|
infos = block.find('div', class_='r-info')
|
|
|
# 获取内容
|
|
|
content = infos.find('p', class_='content').text
|
|
|
# 获取来源和发布时间
|
|
|
source_time = infos.find('span').text
|
|
|
st_list = source_time.split()
|
|
|
source = st_list[0]
|
|
|
if len(st_list) > 2:
|
|
|
time = st_list[1] + ' ' + st_list[2] # 时间格式为yyyy-mm-dd hh：mm：ss
|
|
|
else:
|
|
|
time = st_list[1] # 时间格式为XX小时前
|
|
|
results.append({
|
|
|
'order': order,
|
|
|
'title': title,
|
|
|
'link': link,
|
|
|
'content': content,
|
|
|
'source': source,
|
|
|
'time': time
|
|
|
})
|
|
|
# 在屏幕上输出抓取到的信息
|
|
|
print(order, ". ", title)
|
|
|
print(link)
|
|
|
print(content)
|
|
|
print(source, ' ', time)
|
|
|
print(" ")
|
|
|
|
|
|
print(f'本次共抓取到的搜索结果共{len(results)}条')
|
|
|
return results
|
|
|
else:
|
|
|
print('status_code!=200, 不能解析内容')
|
|
|
return []
|
|
|
|
|
|
# 示例调用
|
|
|
if __name__ == '__main__':
|
|
|
# 默认抓取第一页
|
|
|
results = search_sina_news(keyword='NBA', time='d', page=1)
|
|
|
# 如果需要抓取其他页，可以传入page参数
|
|
|
# results = search_sina_news(keyword='NBA', time='d', page=2) |
