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):# 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
• 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 re
  import requests
  import pandas
  from bs4 import BeautifulSoup
  from datetime import datetime
  
  def writeNewsDetail(content):# 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()
  
  def getClickCount(url):
      newId=re.findall(r'\_(.*).html',url)[0][-4:]
      clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80'.format(newId)
      clickRes = requests.get(clickUrl)
      clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1))
      return clickCount
  #将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):
  def getNewsDetail(newsUrl):#一篇新闻的全部消息
      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:
          source = info[info.find('来源：'):].split()[0].lstrip('来源：')
      else:
          source = 'none'
      if info.find('作者：') > 0:
          source = info[info.find('作者：'):].split()[0].lstrip('作者：')
      else:
          source = 'none'
      news['content']=soupd.select('.show-content')[0].text.strip()
  
      # writeNewsDetail(content)
      news['click'] = getClickCount(newsUrl)
      news['newsUrl']=newsUrl
      return (news)
  
  def getNewsList(pageUrl):
    res=requests.get(pageUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    for news in soup.select('li'):
      if len(news.select('.news-list-title'))>0:
          # print(news.select('.news-list-title'))
          #t=news.select('.news-list-title')[0].text#取标题
          #dt=news.select('.news-list-info')[0].contents[0].text#取日期
          newsUrl=news.select('a')[0].attrs['href']#取链接
          getNewsDetail(newsUrl)
          break
  
  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']
              newsList.append(getNewsDetail(newsUrl))
      return (newsList)
  
  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('#pages a')[0].text.rstrip('条'))
      return (n // 10 + 1)
      # return n
  #将新闻数据结构化为字典的列表:
  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))
  for news in newsTotal:
    print(news)
  

  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csv或excel 文件。

•   df.to_excel('gzcc456.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。

  • # 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[['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)])