数据结构化与保存

Posted 2020-10-30 一只快乐的兜儿

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
  
  #获取新闻详情
  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()
  
      #获取文章内容并写入到文件中
      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)
  
  #数据写入文件
  def writeNewsContent(content):
      f=open(\'gzccNews.txt\',\'a\',encoding=\'utf-8\')
      f.write(content)
      f.close()
  
  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(\'条\'))//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))
  
  df=pandas.DataFrame(newsTotal)
  # df.to_excel("news.xlsx")
  
  # print(df.head(6))
  # print(df[[\'author\',\'click\',\'source\']])
  # print(df[df[\'click\']>3000])
  
  sou=[\'国际学院\',\'学生工作处\']
  print(df[df[\'source\'].isin(sou)])

  

  截图：
  数据保存到Excel文件：

  提取前六行数据：

  

  提取\'国际学院\'和\'学生工作处\'发布的新闻：
  

  提取‘学校综合办’发布的，‘点击次数’超过3000的新闻：