1. 将新闻的正文内容保存到文本文件。

def writeNewsDatail(content):
    f=open('gzccnews1.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 pandas
    import requests
    import re
    from bs4 import BeautifulSoup
    from datetime import datetime
    
    def writeNewsDatail(content):
        f=open('gzccnews1.txt','a',encoding='utf-8')
        f.write(content)
        f.close()#dui
    
    # 获取新闻点击次数
    def getNewsId(url):#dui
        newsId = re.findall(r'\_(.*).html', url)[0][-4:]
        clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
        clickRes = requests.get(clickUrl)
        # 利用正则表达式获取新闻点击次数
        clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1))
        return clickCount
    
    def getNewsDetail(newsUrl):#dui
        # 读取新闻细节
        resd = requests.get(newsUrl)
        resd.encoding = "utf-8"
        soupd = BeautifulSoup(resd.text, 'html.parser')#打开详情页并解析
    
        news={}
        news['title']=soupd.select('.show-title')[0].text
        info = soupd.select(".show-info")[0].text  # info相关内容
        news['dt']=datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:%S')
        if info.find('来源:')>0:#作者:审核:来源:摄影:一样处理
            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()  # 正文
    
        news['count'] = getNewsId(newsUrl)
        news['newsUrl']=newsUrl
        return(news)
      
    def getListPage(pageUrl):#dui
        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)) #把详情的字典插进列表(一个新闻是字典 多个新闻是列表)
        return newsList
    
    def getPageN(): #新闻列表页的总页数
        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=[]
    n=getPageN()
    p= [2, n]
    for  i in p:
        listPageUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)
        print(listPageUrl)
        newsTotal.extend(getListPage(listPageUrl))
    for news in newsTotal:
        print(news)
    

    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("0416.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
    • 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。
      print(df[['count','title','source']][0:6])
      print(df[(df['count']>3000)&(df['source']=='学校综合办')])
      print(df[(df['source']=='国际学院')|(df['source']=='学生处')])