数据结构化与保存

1.结构化：

• 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)

2.转换成pandas的数据结构DataFrame

3.从DataFrame保存到excel

4.从DataFrame保存到sqlite3数据库

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import sqlite3

url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(url)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')
 
#给定单条新闻链接，返回点击次数
def getclick(url):
    m=re.search(r'_(.*).html',url)
    newsid=m.group(1)[5:]
    clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsid)
    resc=requests.get(clickurl).text
   

    r=re.search(r'hits(.*)',resc).group(1)
    click=r.lstrip("').html('").rstrip("');")
    return int(click)


 #给定单条新闻链接，返回新闻细节的字典
def getdetail(url):
    resd=requests.get(url)
    resd.encoding='utf-8'
    soupd=BeautifulSoup(resd.text,'html.parser')
    news={}
    news['url']=url
    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')##
    news['source']=re.search('来源：(.*)点击',info).group(1).strip()
    #news['content']=soupd.select('.show-content')[0].text.strip()
    news['click']=getclick(url)
    return(news)
                    

#给定新闻列表页的链接，返回该页所有新闻的细节字典的列表
def onepage(pageurl):
    res=requests.get(pageurl)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    newsls=[]
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            newsls.append(getdetail(news.select('a')[0]['href']))
            return (newsls)
 #print(onepage('http://news.gzcc.cn/html/xiaoyuanxinwen/'))                                                 #图3

newstotal=[]
gzccurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newstotal.extend(onepage(gzccurl))

res=requests.get(gzccurl)
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
n=int(soup.select('.a1')[0].text.rstrip('条'))
pages=n//10+1 
for i in range(2,3):
    listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(onepage(listurl))
 #print(len(newstotal))   

df = pandas.DataFrame(newstotal)

#保存到Excel表                                    
df.to_excel('gzccnews.xlsx')
 
#保存到数据库                                      
with sqlite3.connect('gzccnews_db.sqlite') as db:
    df.to_sql('news_table',con = db)