import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import sqlite3
import pymysql
from sqlalchemy import create_engine


#获取点击次数
def getClickCount(newsUrl):
newId=re.search('\_(.*).html',newsUrl).group(1).split('/')[1]
clickUrl="http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
clickStr = requests.get(clickUrl).text
count = re.search("hits'\).html\('(.*)'\);", clickStr).group(1)
return count

#获取新闻详情
def getNewsDetail(newsurl):
resd=requests.get(newsurl)
resd.encoding='utf-8'
soupd=BeautifulSoup(resd.text,'html.parser')
# 2.将新闻数据结构化为字典的列表:
news={}
news['title']=soupd.select('.show-title')[0].text
#news['newsurl']=newsurl
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')
news['click'] = int(getClickCount(newsurl))
if info.find('来源')>0:
news['source'] =info[info.find('来源:'):].split()[0].lstrip('来源:')
else:
news['source']='none'
if info.find('作者:') > 0:
news['author'] = info[info.find('作者:'):].split()[0].lstrip('作者:')
else:
news['author'] = 'none'
# news['content']=soupd.select('.show-content')[0].text.strip()

#获取文章内容并写入到文件中
content=soupd.select('.show-content')[0].text.strip()
writeNewsContent(content)

return news

def getListPage(listPageUrl):
res=requests.get(listPageUrl)
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']
newsList.append(getNewsDetail(a))
return (newsList)

#1.将新闻的正文内容保存到文本文件。
def writeNewsContent(content):
f=open('gzccNews.txt','a',encoding='utf-8')
f.write(content)
f.close()

def getPageNumber():
ListPageUrl="http://news.gzcc.cn/html/xiaoyuanxinwen/"
res=requests.get(ListPageUrl)
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
n = int(soup.select('.a1')[0].text.rstrip('条'))//10+1
return n


newsTotal=[]
firstPage='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getListPage(firstPage))

n=getPageNumber()
for i in range(n,n+1):
listUrl= 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
newsTotal.extend(getListPage(listUrl))
# 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excel 文件。
df.to_excel("new.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
print(df.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['source']=='学校综合办')&(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','学生工作处']
print(df[df['source'].isin(sou)])
# 进取2018年3月的新闻
df1 = df.set_index('dt')
print(df1['2018-03'])
df3 = df1['2018-04-13 16:19:02':'2018-04-12 14:01:24']
# 6. 保存到sqlite3数据库
with sqlite3.connect('gzccdb.sqlite')as db:
df3.to_sql('gzcc05',con=db,if_exists='replace')
# 7. 从sqlite3读数据
with sqlite3.connect('gzccdb.sqlite')as db:
df2 = pandas.read_sql_query('SELECT * FROM gzcc05',con=db)

# 8. df保存到mysql数据库
conn = create_engine('mysql+pymysql://root:@localhost:3306/gzccnew?charset=utf8')
pandas.io.sql.to_sql(df,'gzccnew',con=conn,if_exists='replace')