1. 将新闻的正文内容保存到文本文件。

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
  • news = {}
 news['title'] = soupd.select('.show-title')[0].text
 news['newsUrl'] = newsUrl
 info = soupd.select('.show-info')[0].text
 time = re.search('发布时间:(.*) \xa0\xa0 \xa0\xa0作者：', info).group(1)
 news['dtime'] = datetime.strptime(time, '%Y-%m-%d %H:%M:%S')
 if info.find('作者：') > 0:
     news['author'] = info[info.find('作者：'):].split()[0].lstrip('作者：')
 else:
     news['author'] = '无'
 if info.find('审核：') > 0:
     news['check'] = info[info.find('审核：'):].split()[0].lstrip('审核：')
 else:
     news['check'] = '无'
 if info.find('来源：') > 0:
     news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')
 else:
     news['source'] = '无'
 if info.find('摄影：') > 0:
     news['photo'] = info[info.find('摄影：'):].split()[0].lstrip('摄影：')
 else:
     news['photo'] = '无'
 news['clickCount'] = getClickCount(newsUrl)
 news['content'] = soupd.select('.show-content')[0].text

     

  • 一个列表页所有单条新闻汇总-->列表newsls.append(news)
  • newsList = []
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            a = news.a.attrs['href']
            newsList.append(getNewDetail(a))

     

  • 所有列表页的所有新闻汇总列表newstotal.extend(newsls)
  • newsTotal = []
firstUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getLiUrl(firstUrl))

res = requests.get(firstUrl)
res.encoding = 'utf-8'
soupn = BeautifulSoup(res.text,'html.parser')
n =  int(soupn.select('.a1')[0].text.rstrip('条'))//10+1
for i in range(2,n):
    pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    print('第{}页：'.format(i))
    newsTotal.extend(getLiUrl(pageUrl))
    break

     

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

import pandas
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('gzccnews.xlsx')
df.to_csv('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
  • print(df[['clickCount','title','source']].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['clickCount'] > 3000) & (df['source'] == '学校综合办')])

     

  • 提取'国际学院'和'学生工作处'发布的新闻。
  • sour = ['国际学院','学生工作处']
print(df[df['source'].isin(sour)])