数据结构化与保存

Posted metalblog

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. 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。
    import requests
    from bs4 import BeautifulSoup
    from datetime import datetime
    import re
    import pandas
    
    #获取点击次数
    def getClickCount(newsUrl):
        newId=re.search(\_(.*).html,newsUrl).group(1).split(/)[1]
        clickUrl="http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
        clickStr = requests.get(clickUrl).text
        count = re.search("hits‘\).html\(‘(.*)‘\);", clickStr).group(1)
        return count
    
    def writeNewsContent(content):
        f=open(Get News.txt,a,encoding=utf-8)
        f.write(content)
        f.close()
    
    def getNewsDetail(newsurl):
    resd
    =requests.get(newsurl) resd.encoding=utf-8 soupd=BeautifulSoup(resd.text,html.parser) news={} news[title]=soupd.select(.show-title)[0].text # news[newsurl]=newsurl 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[click] = int(getClickCount(newsurl)) if info.find(来源)>0: news[source] =info[info.find(来源:):].split()[0].lstrip(来源:) else: news[source]=none if info.find(作者:) > 0: news[author] = info[info.find(作者:):].split()[0].lstrip(作者:) else: news[author] = none # news[content]=soupd.select(.show-content)[0].text.strip() #写入到文件中 content=soupd.select(.show-content)[0].text.strip() writeNewsContent(content) return news def getListPage(listPageUrl): res=requests.get(listPageUrl) 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: a=news.select(a)[0].attrs[href] newsList.append(getNewsDetail(a)) return (newsList) def getPageNumber(): ListPageUrl="http://news.gzcc.cn/html/xiaoyuanxinwen/" res=requests.get(ListPageUrl) res.encoding=utf-8 soup=BeautifulSoup(res.text,html.parser) n = int(soup.select(.a1)[0].text.rstrip())//10+1 return n newsTotal=[] firstPage=http://news.gzcc.cn/html/xiaoyuanxinwen/ newsTotal.extend(getListPage(firstPage)) n=getPageNumber() for i in range(n,n+1): listUrl= http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html.format(i) newsTotal.extend(getListPage(listUrl)) #数据写入excel文件 df=pandas.DataFrame(newsTotal) df.to_excel("Get News.xlsx") print(df.head(6)) print(df[[author,click,source]]) print(df[df[click]>3000]) #提取国际学院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)])

     

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

VSCode自定义代码片段5——HTML元素结构

从单个按钮从多个片段中提取数据

当我从用户获取数据并将其保存到 SQLite 数据库中时,我应该怎么做才能使列表视图在片段中工作

使用 savedInstanceState 保存片段状态

检索数据未出现在 ListView 的片段中

如果我想从另一个片段中添加书签,为啥我的书签单词没有保存到 sqlite 数据库?