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 from bs4 import BeautifulSoup from datetime import datetime import re import pandas # 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() #一篇新闻的点击次数 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) return (int(requests.get(clickUrl).text.split('.html')[-1].lstrip("('").rstrip("');"))) #一篇新闻的全部信息 def getNewsDetail(newsUrl): resd = requests.get(newsUrl) resd.encoding = 'utf-8' soupd = BeautifulSoup(resd.text, 'html.parser') # 打开新闻详情页并解析 news ={} 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') if info.find('来源:') > 0: # 来源: news['source'] = info[info.find('来源:'):].split()[0].lstrip('来源:') else: news['source'] = 'none' if info.find('作者:') > 0: # 作者: news['author'] = info[info.find('作者:'):].split()[0].lstrip('作者:') else: news['author'] = 'none' if info.find('摄影:') > 0: # 摄影: news['photograph'] = info[info.find('摄影:'):].split()[0].lstrip('摄影:') else: news['photograph'] = 'none' if info.find('审核:') > 0: # 审核: news['auditing'] = info[info.find('审核:'):].split()[0].lstrip('审核:') else: news['auditing'] = 'none' news['content'] = soupd.select('.show-content')[0].text.strip() writeNewsDetail(news['content']) news['click'] = getClickCount(newsUrl) news['newsUrl'] = newsUrl return(news) #一个列表页的全部新闻 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) # 新闻列表页的总页数 def getPageN(): res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/') res.encoding = 'utf-8' soup = BeautifulSoup(res.text, 'html.parser') n = int(soup.select('.a1')[0].text.rstrip('条')) return (n // 10 + 1) newsTotal = [] firstPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/' newsTotal.extend(getListPage(firstPageUrl)) n = getPageN() for i in range(n, n+1): listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i) newsTotal.extend(getListPage(listPageUrl)) dt =pandas.DataFrame(newsTotal) dt.to_excel("news.xlsx") print(dt)
5、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。
# 提取包含点击次数、标题、来源的前6行数据 print(df[['click','title','sources']].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['click']>3000)&(df['sources']=='学校综合办')]) # 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['sources'].isin(sou)])