数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

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

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

•     news = {}
      news['title'] = soupd.select('.show-title')[0].text
      # c = soupd.select('#content')[0].text
      info = soupd.select('.show-info')[0].text
  
      news['dt'] = datetime.strftime(info.lstrip('发布时间:')[:19],'%Y-%m-%d %H:%M:%S')
      # au = info[info.find('作者：'):].split()[0].lstrip('作者：')
      if info.find('来源：') > 0:
          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)
      news['newsUrl'] = newsUrl

• 一个列表页所有单条新闻汇总-->列表newsls.append(news)

•     newsList = []
      for mews in  soup.select('li'):
          if len(news.select('.news-list-title'))>0:
              # d = news.select('.news-list-info')[0].contents[0].text
              # t = news.select('.news-list-title')[0].text
              newsUrl = news.select('a')[0].attrs['href']
              newsList.append(getNewsDetail(newsUrl))
      return(newsList)

• 所有列表页的所有新闻汇总列表newstotal.extend(newsls)

• 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))

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

import pandas
df = pandas.DataFrame(newsTotal)

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_excel('000.xlsx')

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

• df[['click','title','source']][0:6]

• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

• df[(df['click']>3000) |  (df['source']=='学校综合办')]

• 提取'国际学院'和'学生工作处'发布的新闻。

• df[df['source'].isin(['国际学院','学生工作处'])]