数据结构化与保存

Posted 2020-10-11 zhoujinpeng

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
 
 
def getclick(url):#给定单条新闻链接，返回点击次数
    id=re.search(\'_(.*).html\',url).group(1).split(\'/\')[1]
    clickurl=\'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80\'.format(id)
    click=int(requests.get(clickurl).text.split(\'.\')[-1].lstrip("html(\'").rstrip("\');"))
    return click
 
def getdetail(url):#给定单条新闻链接，返回新闻细节的字典
    resd=requests.get(url)
    resd.encoding=\'utf-8\'
    soupd=BeautifulSoup(resd.text,\'html.parser\')
    news={}
    news[\'title\']=soupd.select(\'.show-title\')[0].text
    news[\'url\']=url
    info=soupd.select(\'.show-info\')[0].text
    #news[\'dt\']=datetime.strptime(info.lstrip(\'发布时间:\')[0:19],\'%Y-%m-%d %H:%M:\')
    #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)
         
def onepage(pageurl):#给定新闻列表页的链接，返回该页所有新闻细节字典的列表
    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)
 
ns=[]
gzccurl=\'http://news.gzcc.cn/html/xiaoyuanxinwen/\'
ns.extend(onepage(gzccurl))
res=requests.get(gzccurl)
res.encoding=\'utf-8\'
soup = BeautifulSoup(res.text,\'html.parser\')
 
pages=int(soup.select(\'.a1\')[0].text.rstrip(\'条\'))//10+1#新闻列表页的总页数
 
for i in range(2,3):
    listurl=\'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html\'.format(i)
    ns.extend(onepage(listurl))#后面的每一个列表页
 
df=pandas.DataFrame(ns)#转换成pandas的数据结构DataFrame
print(df.head())
df.to_excel(\'gzccnews.xlsx\')#从DataFrame保存到excel
with sqlite3.connect(\'gzccnewsdbl.sqlite\')as db:#从DataFrame保存到sqlite3数据库
    df.to_sql(\'gzccnewsdb1\',con=db)