数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

2. 将新闻数据结构化为字典的列表:

• 单条新闻的详情-->字典news
• 一个列表页所有单条新闻汇总-->列表newsls.append(news)
• 所有列表页的所有新闻汇总列表newstotal.extend(newsls)

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import sqlite3
import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')




def writeNewsDetail(content):
    f = open('gzccNews.txt', 'a',encoding='utf-8')
    f.write(content)
    f.close()


def getClickCount(newsUrl):  #一篇新闻的点击次数
    newId = re.search('\_(.*).html', newsUrl).group(1).split('/')[1]
    clickUrl = "http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
    return (int(requests.get(clickUrl).text.split('.html')[-1].lstrip("('").rstrip("');")))


def getNewsDetail(newsUrl):  #一篇新闻的全部信息
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')  # 打开新闻详情页并解析

    news ={}
    news['title'] = soupd.select('.show-title')[0].text
    info = soupd.select('.show-info')[0].text
    news['dt'] = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')
    if info.find('来源：') > 0:  # 作者： 审核： 来源： 摄影：一样处理
        news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')
    else:
        news['source'] = 'none'
    news['content'] = soupd.select('.show-content')[0].text.strip()
    writeNewsDetail(news['content'])
    news['click'] = getClickCount(newsUrl)
    #print(dt,title,newsUrl,source,click)
    news['newsUrl'] = newsUrl
    return (news)


def getListPage(pageUrl):  #一个列表页的全部新闻
    res = requests.get(pageUrl)
    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].attrs['href']  # 链接
            newsList.append(getNewsDetail(newsUrl))
    return(newsList)


def getPageN():  # 新闻列表页的总页数
    res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    n = int(soup.select('.a1')[0].text.rstrip('条'))
    return (n // 10 + 1)

newsTotal = []
firstPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getListPage(firstPageUrl))




n = getPageN()
for i in range(n, n+1):
    listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newsTotal.extend(getListPage(listPageUrl))

print(newsTotal)

 

3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.

 

4. 通过df将提取的数据保存到csv或excel 文件。

df=pandas.DataFrame(newsTotal)
df.to_excel('')

 

5. 用pandas提供的函数和方法进行数据分析：

• 提取包含点击次数、标题、来源的前6行数据
• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
• 提取'国际学院'和'学生工作处'发布的新闻。
• 进取2018年3月的新闻

# 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.
df = pandas.DataFrame(newslist1)
print(df)
# 通过df将提取的数据保存到csv或excel 文件
df.to_csv("1.excel")
# 提取包含点击次数、标题、来源的前5行数据
print(df[['click', 'title', 'sources']].head(5))
# 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
print(df[(df['click'] > 3000) & (df['sources'] == '学校综合办')])
# 提取'国际学院'和'学生工作处'发布的新闻。
print(df[df['sources'].isin(['国际学院', '学生工作处'])])
#进取2018年3月的新闻

print(df['dt']=='2018.03')

 

6. 保存到sqlite3数据库

import sqlite3 with sqlite3.connect('gzccnewsdb.sqlite') as db: df3.to_sql('gzccnews05',con = db, if_exists='replace')

7. 从sqlite3读数据

with sqlite3.connect('gzccnewsdb.sqlite') as db: df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db) print(df2)

8. df保存到mysql数据库

安装SQLALchemy 安装PyMySQL MySQL里创建数据库：create database gzccnews charset utf8;

import pymysql from sqlalchemy import create_engine conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8') pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')

MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）