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
• 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
  
  
  def writeNewsDetail(content):
      f = open('gzccNews.txt', 'a',encoding='utf-8')
      f.write(content)
      f.close()
  
  
  def getClickCount(newsUrl): 
      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): 
      resd = requests.get(newsUrl)
      resd.encoding = 'utf-8'
      soupd = BeautifulSoup(resd.text, 'html.parser')  
  
      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:  
          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
      return(news)
  
  
  def getListPage(pageUrl):  
      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'] 
              newsList.append(getNewsDetail(newsUrl))
      return(newsList)
  
  
  def getPageN():  
      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.

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('gzcc456.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
• 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。

•   print(df[['click', 'title', 'sources']].head(6))
  
    print(df[(df['click'] > 3000) & (df['sources'] == '学校综合办')])
  
    sou = ['国际学院', '学生工作处']
    print(df[df['sources'].isin(sou)])