数据结构化与保存

1. 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)

def getNewDetail(newsUrl):#一篇新闻的详情信息
    resd=requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    news={} #用字典存放信息
    news['title'] = soupd.select('.show-title')[0].text  # 标题
    info = soupd.select('.show-info')[0].text    #连接
    news['dt'] = datetime.strptime(info.lstrip('发布时间:')[:19], '%Y-%m-%d %H:%M:%S') #发布时间
    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()
    # writeNewsDetail(news['content'])
    news['click']=getClickCount(newsUrl)
    news['newsUrl']=newsUrl
    return (news)

def getListPage(pageUrl): #一个列表页的全部信息
    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']#连接
            newslist.append(getNewDetail(newsUrl)) 
    return (newslist)

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

n=getPageN()
for i in range(n,n+1):
    listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(getListPage(listPageUrl))
 print(newstotal)

　　

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_csv('gzccnews.csv')
df.to_excel('gzccnews.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

  import pandas
  df=pandas.DataFrame(newstotal)
  print(df[['title','click','source']].head(6))
  

  　　

• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

  df[(df['click']>3000)&(df['source']=='学生工作处')]
  

  　　

• 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['source'].isin(sou)])
  

  　　

• 进取2018年3月的新闻

  df1=df.set_index('dt')
  df1.index
  print(df1['2018-03'])
  

  　　

 

6. 保存到sqlite3数据库

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
df3.to_sql('gzccnews05',con = db, if_exists='replace')

7. 从sqlite3读数据

with sqlite3.connect('gzccnewsdb.sqlite') as db:
df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db)
print(df2)

8. df保存到mysql数据库

安装SQLALchemy
安装PyMySQL
MySQL里创建数据库：create database gzccnews charset utf8;

import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')

MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）

如图所示：