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。
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:
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