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
import re
from bs4 import BeautifulSoup
from datetime import datetime
def getClickCount(newsUrl):
    newsId=re.search('\_(.*).html', newsUrl).group(1).split('/')[-1]
    res = requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId))
    m=int(res.text.split('.html')[-1].lstrip("(')").rstrip("');"))
    return m

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

    news={}
    news['title'] = soupd.select('.show-title')[0].text
    info = soupd.select('.show-info')[0].text
   # c = soupd.select('#content')[0].text  # 正文
    ws = info.lstrip('发布时间:')[:19]  # 发布时间
    news['dati'] = datetime.strptime(ws, '%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']  # 链接
            newsList.append(getNewsDetail(newsUrl))
    return (newsList)
    # getNewsDetail(newsUrl)
    # print(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 = int(soup.select('.a1')[0].text.rstrip('条'))
    return (page//10+1)

# f=open("gzccnews.text",'a',encoding='utf-8')
newstotal=[]
firstPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
# getListPage(firstPageUrl)
newstotal.extend(getListPage(firstPageUrl))

m = getPageN()
for i in range(m, m + 1):
    pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(getListPage(pageUrl))
print(newstotal)
# f.close()
for news in newstotal:
    print(news)

 

 

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

import pandas
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("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','click','source']].head(6))    #提取包含点击次数、标题、来源的前6行数据
  
  df[df['click']>3000]      #点击超过3000
  print(df)
  
  sou=['国际学院','学生工作处']
  df[df['source'].isin(sou)]
  
  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')

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)

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。）