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()

  content=soupd.select('.show-content')[0].text.strip()
    writeNewsDetail(content)

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)

单条新闻的详情-->字典news

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['ti']=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()
    news['click']=getClickCount(newsUrl)
    news['newsUrl']=newsUrl
    # content=soupd.select('.show-content')[0].text.strip()
    # writeNewsDetail(content)
    print(news)
    return (news)

一个列表页所有单条新闻汇总-->列表newsls.append(news)

def getListPage(pageUrl):  # 9. 取出一个新闻列表页的全部新闻 包装成函数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:
            g = news.select('a')[0].attrs['href']
            # print(g)
            newslist.append(getNewsDetail(g))
            print(newslist)
    return (newslist)

所有列表页的所有新闻汇总列表newstotal.extend(newsls)

newstotal=[]
pageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
n=getPageN()
for i in range(n-1,n):
    # print(i)
    listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    # print(listPageUrl)
    newstotal.extend(getListPage(listPageUrl))

#
print(newstotal)

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

4. 通过df将提取的数据保存到csv或excel 文件。

df=pandas.DataFrame(newstotal)
df.to_excel('gzccs.xlsx',encoding='utf-8')
print(df)

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

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。

print(df[df['click']>3000])

提取'国际学院'和'学生工作处'发布的新闻。

sou=['国际学院','学生处']
print(df[df['source'].isin(sou)])

进取2018年3月的新闻

df1=df.set_index('ti')
d=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')

df1=df.set_index('ti')
re=df1['2018-03-30 10:19:23 ':'2018-03-29 08:20:39 ']
import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
  re.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。）

from sqlalchemy import create_engine
conn=create_engine('mysql+pymysql://root:mysql@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df,'gzccnews',con=conn,if_exists='replace')