数据结构化与保存
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)
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): #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)
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.
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。
# 提取包含点击次数、标题、来源的前6行数据 print(df[['click','title','sources']].head(6)) # 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。 sou = ['国际学院','学生工作处'] print(df[df['sources'].isin(sou)])