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'发布的新闻。

# -*- coding : UTF-8 -*-
# -*- author : onexiaofeng -*-
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re, pandas



# 获取新闻点击次数
def getNewsId(url):
    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

#将新闻正文写进文件,不会被覆盖
def writeNewsContentToFile(content):
    f=open('gzccNews.txt','a',encoding='utf-8')
    f.write(content)
    f.close()

# 获取新闻细节
def getNewsDetail(newsUrl):
    contentlist={}
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    newsDict = {}
    content = soupd.select('#content')[0].text
    writeNewsContentToFile(content)


    info = soupd.select('.show-info')[0].text
    newsDict['title'] = soupd.select('.show-title')[0].text

    # 识别时间格式
    date = re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})', info).group(1)
    # 识别一个至三个数据
    if(info.find('作者：')>0):
        newsDict['author'] = re.search('作者：((.{2,4}\s|.{2,4}、){1,3})', info).group(1)
    else:
        newsDict['author'] = 'none'
    if(info.find('审核：')>0):
        newsDict['check'] = re.search('审核：((.{2,4}\s){1,3})', info).group(1)
    else:
        newsDict['check'] = 'none'
    if(info.find('来源：')>0):
        newsDict['sources'] = re.search('来源：(.*)\s*摄|点', info).group(1)
    else:
        newsDict['sources'] = 'none'
    if (info.find('摄影：') > 0):
        newsDict['photo'] = re.search('摄影：(.*)\s*点', info).group(1)
    else:
        newsDict['photo'] = 'none'
    # 用datetime将时间字符串转换为datetime类型
    newsDict['dateTime'] = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')

    # 调用getNewsId()获取点击次数
    newsDict['click'] = getNewsId(newsUrl)

    return newsDict


def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')

    for new in soup.select('li'):
        if len(new.select('.news-list-title')) > 0:
            title = new.select('.news-list-title')[0].text
            description = new.select('.news-list-description')[0].text
            newsUrl = new.select('a')[0]['href']
            List = []
            print('标题:{0}\n内容:{1}\n链接:{2}'.format(title, description, newsUrl))
            # 调用getNewsDetail()获取新闻详情
            dict = getNewsDetail(newsUrl)
            List.append(dict)
            total.extend(List)


total = []
listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
getListPage(listUrl)
res = requests.get(listUrl)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')
listCount = int(soup.select('.a1')[0].text.rstrip('条'))//10+1
df = pandas.DataFrame(total)
df.to_excel('newsresult.xlsx')
print(df[['click','author','dateTime','sources']][(df['click']>3000)&(df['sources'] == u'学生处')])
print(df[(df['click'] > 3000) & (df['sources'] == '学校综合办')])
print(df[['click', 'author', 'sources']].head(6))
news_info = ['国际学院', '学生工作处']
print(df[df['sources'].isin(news_info)])

 

 基本老师说的都实现了，但是pandas的多条件筛选涉及到中文的话老是失败，也上网找，前面加了个u可是还是失败，希望能得到老师指正。