数据结构化与保存

Posted 2020-10-30 LauSir

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。

# -*- coding : UTF-8 -*-
# -*- author : Kamchuen -*-

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

#数据写入文件
def writeNewsContent(content):
    f=open(\'gzccnews.txt\',\'a\',encoding=\'utf-8\')
    f.write(content)
    f.close()

#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)



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))



#数据写入excel文件
df=pandas.DataFrame(newsTotal)
df.to_excel("gzccnews.xlsx")

结果：

 

 

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

  #提取包含点击次数、标题、来源的前6行数据
  print(df.head(6))

  结果：

   

• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

• #提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
  print(df[[\'author\',\'click\',\'source\']])
  print(df[df[\'click\']>3000])

   结果：

   

• 提取\'国际学院\'和\'学生工作处\'发布的新闻。

  #提取\'国际学院\'和\'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)])

  结果：