数据结构化与保存

Posted 一只快乐的兜儿

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。
      复制代码
      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)])
      复制代码

      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:

       

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?