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 writeNewsDetails(contents):
    f = open('gzccnews.txt', 'a', encoding='utf-8')
    f.write(contents)
    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)
  def getClickCount(newsUrl):

      newId = re.search('\_(.*).html', newsUrl).group(1).split('/')[-1]

      res = requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newId))

      res.encoding = 'utf-8'

      count = int(res.text.split('.html')[-1].lstrip("('").rstrip("');"))

      return count

  def getNewDetail(newsUrl):

      res = requests.get(newsUrl)

      res.encoding = 'utf-8'

      soup = BeautifulSoup(res.text, 'html.parser')

      news = {}

      news['title'] = soup.select('.show-title')[0].text

      # info = soup.select('.show-info')[0].text.split()

      info = soup.select('.show-info')[0].text

      content = soup.select('#content')[0].text

      # writeFile(content)

      # print(soup.select('#content')[0].text)

      s = info.split()[0].lstrip('发布时间:') + " " + info.split()[1]  # 发布时间

      # zz = info[2].lstrip('作者：')  #作者

      # sh = info[3].lstrip('审核：')  #审核

      # ly = info[4].lstrip("来源：")  #来源

      if info.find('来源：') > 0:

          news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')

      else:

          news['source'] = 'none'

      news['time'] = datetime.strptime(s, '%Y-%m-%d %H:%M:%S')

      news['clickCount'] = getClickCount(newsUrl)

      news['newsUrl']= newsUrl

      # print(cc,type(cc))

      print(news)

      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:

              a = news.select('a')[0].attrs['href']  # URL

              newslist.append(getNewDetail(a))

      return newslist

    

    

  def getPageN():

      res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')

      res.encoding = 'utf-8'

      soup = BeautifulSoup(res.text, 'html.parser')

      pagenumber=int(soup.select('.a1')[0].text.rstrip('条'))

      page = pagenumber//10+1

      return page

    

    

  print(getPageN())

    

  firstUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen'

  res = requests.get(firstUrl)

  res.encoding = 'utf-8'

    

  n=getPageN()

  newstotal = []

  for i in range(2,4):

      print(i)

      listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)

      temp = getListPage(listPageUrl)

      newstotal.extend(temp)

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

df = pandas.DataFrame(newsTotal)
print(df)

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_csv('gzccnews.csv')
df.to_excel('gzccnews.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。
• 进取2018年3月的新闻

print(df[['title','clickCount','source']][:6])
 
print(df[(df['clickCount']>3000)&(df['source']=='学校综合办')])
 
sou = ['国际学院','学生工作处']
print(df[df['source'].isin(sou)])
 
# 进取2018年3月的新闻
df1 = df.set_index('time')
print(df1['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')

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)

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。）