数据结构化与保存

1.结构化：

• 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)

2.转换成pandas的数据结构DataFrame

3.从DataFrame保存到excel

4.从DataFrame保存到sqlite3数据库

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import sqlite3

url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(url)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')

#给定单条新闻链接，返回点击次数
def getclick(url):
    m=re.search(r'_(.*).html',url)
    newsid=m.group(1)[5:]
    clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsid)
    resc=requests.get(clickurl).text
  
    #匹配任意位置的模式串，可以使用re.search()  #re.match()只匹配位于字符串开始位置的模式串;
    r=re.search(r'hits(.*)',resc).group(1)
    click=r.lstrip("').html('").rstrip("');")
    return int(click)

#print(getclick('http://news.gzcc.cn/html/2017/xiaoyuanxinwen_1017/8338.html'))  #图1

#给定单条新闻链接，返回新闻细节的字典
def getdetail(url):
    resd=requests.get(url)
    resd.encoding='utf-8'
    soupd=BeautifulSoup(resd.text,'html.parser')
    news={}
    news['url']=url
    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')##
    news['source']=re.search('来源：(.*)点击',info).group(1).strip()
    #news['content']=soupd.select('.show-content')[0].text.strip()
    news['click']=getclick(url)
    return(news)
#print(getdetail('http://news.gzcc.cn/html/2017/xiaoyuanxinwen_1017/8338.html'))                           #图2

#给定新闻列表页的链接，返回该页所有新闻的细节字典的列表
def onepage(pageurl):
    res=requests.get(pageurl)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    newsls=[]
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            newsls.append(getdetail(news.select('a')[0]['href']))
    return (newsls)
#print(onepage('http://news.gzcc.cn/html/xiaoyuanxinwen/'))                                                 #图3

newstotal=[]
gzccurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newstotal.extend(onepage(gzccurl))

res=requests.get(gzccurl)
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
n=int(soup.select('.a1')[0].text.rstrip('条'))
pages=n//10+1 #计算多少条新闻有多少页

for i in range(2,3):
    listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(onepage(listurl))#后面的每一个列表页（extend():列表1里接上列表2的内容）
#print(len(newstotal))   #20

df = pandas.DataFrame(newstotal)#创建DataFrame对象

#print(df.head()) #查看前几行的数据，默认前五行      #图4
#print(df['title'])                             #图5
#print(df[df.click>5000])#筛选

#保存到Excel表                                    #图6
df.to_excel('gzccnews.xlsx')

#保存到数据库                                      #图7
with sqlite3.connect('gzccnews_db.sqlite') as db:
    df.to_sql('news_table',con = db)

 

测试onepage(pageurl)

DF数据筛选查找

创建Excel表