クエリと時間枠(最大1年)を使用してこの新聞からニュース結果を取得するコードがあります。
結果は1ページあたり最大10の記事にページ分割され、それを増やす方法が見つからなかったため、各ページにリクエストを発行してから、各記事のタイトル、URL、日付を取得します。各サイクル(HTTPリクエストと解析)には30秒から1分かかり、それは非常に遅いです。そして最終的には500の応答コードで停止します。それを高速化する方法があるのか、あるいは一度に複数の要求を行う方法があるのだろうかと思います。すべてのページの記事の詳細を取得したいだけです。コードは次のとおりです。
import requests
import re
from bs4 import BeautifulSoup
import csv
URL = 'http://www.gulf-times.com/AdvanceSearchNews.aspx?Pageindex={index}&keywordtitle={query}&keywordbrief={query}&keywordbody={query}&category=&timeframe=&datefrom={datefrom}&dateTo={dateto}&isTimeFrame=0'
def run(**params):
countryFile = open("EgyptDaybyDay.csv","a")
i=1
results = True
while results:
params["index"]=str(i)
response = requests.get(URL.format(**params))
print response.status_code
htmlFile = BeautifulSoup(response.content)
articles = htmlFile.findAll("div", { "class" : "newslist" })
for article in articles:
url = (article.a['href']).encode('utf-8','ignore')
title = (article.img['alt']).encode('utf-8','ignore')
dateline = article.find("div",{"class": "floatright"})
m = re.search("([0-9]{2}\-[0-9]{2}\-[0-9]{4})", dateline.string)
date = m.group(1)
w = csv.writer(countryFile,delimiter=',',quotechar='|', quoting=csv.QUOTE_MINIMAL)
w.writerow((date, title, url ))
if not articles:
results = False
i+=1
countryFile.close()
run(query="Egypt", datefrom="12-01-2010", dateto="12-01-2011")