数据结构化与保存

Posted 2020-10-31 088陈志鸿

1. 将新闻的正文内容保存到文本文件。

def file(content):
    f = open(‘news.txt‘,‘a‘,encoding=‘utf-8‘)
    f.write(content)
    f.close()

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)

  import requests
  from bs4 import BeautifulSoup
  import datetime
  import re
  import pandas
  
  
  def getClickCount(newUrl):
      re1 = re.search(‘\_(.*).html‘,newUrl)
      re2 = re.match(‘http://news.gzcc.cn/html/2018/xiaoyuanxinwen_(.*).html‘,newUrl)
      i = re1.group(1).split(‘/‘)[-1]
      cUrl = ‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(i)
      res = requests.get(cUrl)
      res2 = int(res.text.split(".html")[-1].lstrip("(‘").rstrip("‘);"))
      return(res2)
  
  def file(content):
      f = open(‘news.txt‘,‘a‘,encoding=‘utf-8‘)
      f.write(content)
      f.close()
  
  def getInformation(a1):
      res1 = requests.get(a1)
      res1.encoding = ‘utf-8‘
      soup1 = BeautifulSoup(res1.text, ‘html.parser‘)
      new = {}
      new[‘title‘] = soup1.select(".show-title")[0].text
      #new[‘content‘] = soup1.select("#content")[0].text
      #file(new[‘content‘])
      about = soup1.select(‘.show-info‘)[0].text
      time = about.lstrip(‘发布时间:‘)[:19]
      new[‘time‘] = datetime.datetime.strptime(time, ‘%Y-%m-%d %H:%M:%S‘)
      if about.find(‘来源：‘) > 0:
          new[‘origin‘] = about[about.find(‘来源：‘):].split()[0].lstrip("来源：")
      else:
          new[‘origin‘] = "未知"
      if about.find(‘作者：‘) > 0:
          new[‘writer‘] = about[about.find(‘作者：‘):].split()[0].lstrip("作者：")
      else:
          new[‘writer‘] = "佚名"
      if about.find(‘审核：‘) > 0:
          new[‘audit‘] = about[about.find(‘审核：‘):].split()[0].lstrip("审核：")
      else:
          new[‘audit‘] = "佚名"
      if about.find(‘摄影：‘) > 0:
          new[‘photograph‘] = about[about.find(‘摄影：‘):].split()[0].lstrip("摄影：")
      else:
          new[‘photograph‘] = "佚名"
      new[‘url‘] = a1
      new[‘count‘] = getClickCount(a1)
      return(new)
  
  
  def getnewslist(url):
      resurl = requests.get(url)
      resurl.encoding = ‘utf-8‘
      soup = BeautifulSoup(resurl.text, ‘html.parser‘)
      a = soup.select(‘li‘)
      list = []
      for news in a:
          if len(news.select(‘.news-list-title‘)) > 0:
              a1 = news.select(‘a‘)[0].attrs[‘href‘]
              list.append(getInformation(a1))
      return (list)
  
  def getPage(url):
      res = requests.get(url)
      res.encoding = ‘utf-8‘
      soup = BeautifulSoup(res.text,‘html.parser‘)
      n = int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))//10+1
      return(n)
  
  
  url = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
  
  newTotal = []
  newTotal.extend(getnewslist(url))
  n = getPage(url)
  print(n)
  for i in range(n,n+1):
      urls = "http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)
      newTotal.extend(getnewslist(urls))
  

   

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。

dt = pandas.DataFrame(newTotal)
    dt.to_excel(‘new.xlsx‘)

　　

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。

  print(dt.head(6))
  print(dt[(dt[‘count‘] > 700)&(dt[‘origin‘]==‘学校综合办‘)])
  sou = [‘国际学院‘, ‘学生工作处‘]
  print(dt[dt[‘origin‘].isin(sou)])