数据结构化与保存
Posted xialuokesh
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据结构化与保存相关的知识,希望对你有一定的参考价值。
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
以上是关于数据结构化与保存的主要内容,如果未能解决你的问题,请参考以下文章