数据结构化与保存

Posted 2020-10-31 119林江绅

1. 将新闻的正文内容保存到文本文件。

def writeNewsDetail(content):# 将新闻的正文内容保存到文本文件。
    f=open(\'gzccNews.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 re
  import requests
  import pandas
  from bs4 import BeautifulSoup
  from datetime import datetime
  
  def writeNewsDetail(content):# 将新闻的正文内容保存到文本文件。
      f=open(\'gzccNews.txt\',\'a\',encoding=\'utf-8\')
      f.write(content)
      f.close()
  
  def getClickCount(url):
      newId=re.findall(r\'\\_(.*).html\',url)[0][-4:]
      clickUrl = \'http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80\'.format(newId)
      clickRes = requests.get(clickUrl)
      clickCount = int(re.search("hits\'\\).html\\(\'(.*)\'\\);", clickRes.text).group(1))
      return clickCount
  #将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):
  def getNewsDetail(newsUrl):#一篇新闻的全部消息
      resd=requests.get(newsUrl)
      resd.encoding = \'utf-8\'
      soupd = BeautifulSoup(resd.text, \'html.parser\')#打开新闻详情页并解析
  
      news={}
      news[\'title\'] = soupd.select(\'.show-title\')[0].text
      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\')
      if info.find(\'来源：\') > 0:
          source = info[info.find(\'来源：\'):].split()[0].lstrip(\'来源：\')
      else:
          source = \'none\'
      if info.find(\'作者：\') > 0:
          source = info[info.find(\'作者：\'):].split()[0].lstrip(\'作者：\')
      else:
          source = \'none\'
      news[\'content\']=soupd.select(\'.show-content\')[0].text.strip()
  
      # writeNewsDetail(content)
      news[\'click\'] = getClickCount(newsUrl)
      news[\'newsUrl\']=newsUrl
      return (news)
  
  def getNewsList(pageUrl):
    res=requests.get(pageUrl)
    res.encoding = \'utf-8\'
    soup = BeautifulSoup(res.text, \'html.parser\')
    for news in soup.select(\'li\'):
      if len(news.select(\'.news-list-title\'))>0:
          # print(news.select(\'.news-list-title\'))
          #t=news.select(\'.news-list-title\')[0].text#取标题
          #dt=news.select(\'.news-list-info\')[0].contents[0].text#取日期
          newsUrl=news.select(\'a\')[0].attrs[\'href\']#取链接
          getNewsDetail(newsUrl)
          break
  
  def getListPage(pageUrl):
      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:
              newsUrl=news.select(\'a\')[0].attrs[\'href\']
              newsList.append(getNewsDetail(newsUrl))
      return (newsList)
  
  def getPageN():
      res = requests.get(\'http://news.gzcc.cn/html/xiaoyuanxinwen/\')
      res.encoding = \'utf-8\'
      soup = BeautifulSoup(res.text, \'html.parser\')
      n = int(soup.select(\'#pages a\')[0].text.rstrip(\'条\'))
      return (n // 10 + 1)
      # return n
  #将新闻数据结构化为字典的列表:
  newsTotal=[]
  firstPageUrl=\'http://news.gzcc.cn/html/xiaoyuanxinwen/\'
  newsTotal.extend(getListPage(firstPageUrl))
  n= getPageN()
  for i in range(n,n+1):
      listPageUrl=\'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html\'.format(i)
      newsTotal.extend(getListPage(listPageUrl))
  for news in newsTotal:
    print(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(\'gzcc456.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。

•   # 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
    print(df[[\'click\', \'title\', \'sources\']].head(6))
  
    # 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
    print(df[(df[\'click\'] > 3000) & (df[\'sources\'] == \'学校综合办\')])
  
    # 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[\'sources\'].isin(sou)])