数据结构化与保存

Posted 2020-10-31 098-谢家豪

import requests
import re
from bs4 import BeautifulSoup
from datetime import datetime
import pandas

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

def getClickCount(newUrl):  #一篇新闻的点击次数
    newId=re.search(‘\_(.*).html‘,newUrl).group(1).split(‘/‘)[1]
    clickUrl=‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(newId)
    return (int(requests.get(clickUrl).text.split(‘.html‘)[-1].lstrip("(‘").rstrip("‘);")))

def getNewDetail(newUrl):#一篇新闻的全部信息
    res1 = requests.get(newUrl)
    res1.encoding = ‘utf-8‘
    soup1 = BeautifulSoup(res1.text, ‘html.parser‘)
    news = {}
    news[‘title‘] = soup1.select(‘.show-title‘)[0].text
    info = soup1.select(‘.show-info‘)[0].text
    news[‘dt‘] = datetime.strptime(info.lstrip(‘发布时间:‘)[0:19], ‘%Y-%m-%d %H:%M:%S‘)
    if info.find(‘来源：‘) > 0:  # 作者： 审核： 来源： 摄影：一样处理
        news[‘source‘] = info[info.find(‘来源：‘):].split()[0].lstrip(‘来源：‘)
    else:
        news[‘source‘] = ‘none‘
    news[‘content‘] = soup1.select(‘.show-content‘)[0].text.strip()
    news[‘click‘] = getClickCount(newUrl)
    news[‘newsUrl‘] = newUrl
    return (news)

def getNewList(pageUrl): #一个列表页的全部新闻
    res = requests.get(pageUrl)
    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:
            newUrl = news.select(‘a‘)[0].attrs[‘href‘]  # 新闻链接
            newsList.append(getNewDetail(newUrl))
    return(newsList)


def getPage(): # 新闻列表页的总页数
    res = requests.get(‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘)
    res.encoding = "utf-8"
    soup = BeautifulSoup(res.text, "html.parser")
    n = int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))
    return (n//10+1)

newsTotal=[]
pageUrl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
newsTotal.extend(getNewList(pageUrl))



n=getPage()
for i in range(n,n+1):
    listPageUrl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
    newsTotal.extend(getNewList(listPageUrl))

for news in newsTotal:
    print(news)

df=pandas.DataFrame(newsTotal)
df.to_excel("gzccNews.xlsx")
df[[‘click‘,‘title‘,‘source‘]]
df[(df[‘click‘]>2000) | (df[‘source‘]==‘国际学院‘)]
list=[‘学生处‘,‘国际学院‘]
df[df[‘source‘].isin(list)]

1. 将新闻的正文内容保存到文本文件。

 writeNewsDatail(news[‘content‘])

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)

 news = {}
    news[‘title‘] = soup1.select(‘.show-title‘)[0].text
    info = soup1.select(‘.show-info‘)[0].text
    news[‘dt‘] = datetime.strptime(info.lstrip(‘发布时间:‘)[0:19], ‘%Y-%m-%d %H:%M:%S‘)
    if info.find(‘来源：‘) > 0:  # 作者： 审核： 来源： 摄影：一样处理
        news[‘source‘] = info[info.find(‘来源：‘):].split()[0].lstrip(‘来源：‘)
    else:
        news[‘source‘] = ‘none‘
    news[‘content‘] = soup1.select(‘.show-content‘)[0].text.strip()
    #writeNewsDatail(news[‘content‘])
    news[‘click‘] = getClickCount(newUrl)
    news[‘newsUrl‘] = newUrl
    return (news)

3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df

df=pandas.DataFrame(newsTotal)

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_excel("gzccNews.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。

df.head(6)
df[[‘click‘,‘title‘,‘source‘]]
df[(df[‘click‘]>3000) | (df[‘source‘]==‘学校综合办‘)]
list=[‘学生工作处‘,‘国际学院‘]
df[df[‘source‘].isin(list)]