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('gzcc.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)

  def getNewsList(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(getNewDetail(newsUrl))
      return (newsList)
  
  newsTotal = []
  url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
  newsTotal.extend(getNewsList(url))

  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_excel('wxc.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[(df['click'] > 3000)&(df['source']=='学校综合办')])
    print(sourcelist = ['学生工作处','国际学院'])
    print(df[df['source'].isin(sourcelist)])