数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

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)

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

4. 通过df将提取的数据保存到csv或excel 文件。

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'发布的全部新闻。

import requests
import string
import re

from datetime import  datetime
newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(newsurl) #返回response对象
res.encoding='utf-8'
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'html.parser')

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("');")))
def writeNewsDetail(content):
    f=open('gzccNews.txt','a',encoding='utf-8')
    f.write(content)
    f.close()
# def getNewsDetail(newsurl):
#     resd=requests.get(newsurl)
#     resd.encoding='utf-8'
#     soupd=BeautifulSoup(resd.text,'html.parser')
#     title=soupd.select('.show-title')[0].text
#     info=soupd.select('show-info')[0].text
#     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'
#     content=soupd.select('.show-content')[0].text.strip()
#     click=getClickCount(newsurl)
#     print(click,title,newsurl,source,dt)
def getNewsDetail(newsUrl):
    resd=requests.get(newsUrl)
    resd.encoding='utf-8'
    soupd=BeautifulSoup(resd.text,'html.parser')
    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:
        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()
    news['click']=getClickCount(newsUrl)
    news['newsUrl']=newsUrl
    return (news)
def getListPage(listPageUrl):
    res=requests.get(listPageUrl)
    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:
            a=news.select('a')[0].attrs['href']
            newsList.append(getNewsDetail(a))
    return (newsList)

def getPageN():
    res=requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
    res.encoding='utf-8'
    soupn=BeautifulSoup(res.text,'html.parser')
    n=int(soupn.select('.a1')[0].text.rstrip('条'))
    return(n//10+1)

newsTotal=[]

firstPage='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getListPage(firstPage))
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)
import pandas
df=pandas.DataFrame(newsTotal)
df.to_excel('gzccnews.xlsx')