数据结构化与保存

Posted 2020-10-31 cgz

1. 将新闻的正文内容保存到文本文件。

def writeNewsDetail(content):
    f=open(\'gzccnews.txt\',\'a\',encoding=\'utf-8\')
    f.write(content)
    f.close()

  content=soupd.select(\'.show-content\')[0].text.strip()
    writeNewsDetail(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)

单条新闻的详情-->字典news

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
    info=soupd.select(\'.show-info\')[0].text
    news[\'ti\']=datetime.strptime(info.lstrip(\'发布时间:\')[0:19], \'%Y-%m-%d %H:%M:%S\')
    if  info.find(\'来源：\')>0:
        news[\'source\']=info[info.find(\'来源：\'):].split()[0].lstrip(\'来源：\')
    else:
        news[\'source\']=\'none\'
    news[\'content\']=soupd.select(\'.show-content\')[0].text.strip()
    news[\'click\']=getClickCount(newsUrl)
    news[\'newsUrl\']=newsUrl
    # content=soupd.select(\'.show-content\')[0].text.strip()
    # writeNewsDetail(content)
    print(news)
    return (news)

一个列表页所有单条新闻汇总-->列表newsls.append(news)

def getListPage(pageUrl):  # 9. 取出一个新闻列表页的全部新闻 包装成函数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:
            g = news.select(\'a\')[0].attrs[\'href\']
            # print(g)
            newslist.append(getNewsDetail(g))
            print(newslist)
    return (newslist)

所有列表页的所有新闻汇总列表newstotal.extend(newsls)

newstotal=[]
pageUrl=\'http://news.gzcc.cn/html/xiaoyuanxinwen/\'
n=getPageN()
for i in range(n-1,n):
    # print(i)
    listPageUrl=\'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html\'.format(i)
    # print(listPageUrl)
    newstotal.extend(getListPage(listPageUrl))

#
print(newstotal)

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。

df=pandas.DataFrame(newstotal)
df.to_excel(\'gzccs.xlsx\',encoding=\'utf-8\')
print(df)

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。
• 进取2018年3月的新闻

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。

print(df[df[\'click\']>3000])

提取\'国际学院\'和\'学生工作处\'发布的新闻。

sou=[\'国际学院\',\'学生处\']
print(df[df[\'source\'].isin(sou)])

进取2018年3月的新闻

df1=df.set_index(\'ti\')
d=df1[\'2018-03\']

 

6. 保存到sqlite3数据库

import sqlite3
with sqlite3.connect(\'gzccnewsdb.sqlite\') as db:
df3.to_sql(\'gzccnews05\',con = db, if_exists=\'replace\')

df1=df.set_index(\'ti\')
re=df1[\'2018-03-30 10:19:23 \':\'2018-03-29 08:20:39 \']
import sqlite3
with sqlite3.connect(\'gzccnewsdb.sqlite\') as db:
  re.to_sql(\'gzccnews05\',con = db, if_exists=\'replace\')

7. 从sqlite3读数据

with sqlite3.connect(\'gzccnewsdb.sqlite\') as db:
df2 = pandas.read_sql_query(\'SELECT * FROM gzccnews05\',con=db)
print(df2)

with sqlite3.connect(\'gzccnewsdb.sqlite\') as db:
  df2 = pandas.read_sql_query(\'SELECT * FROM gzccnews05\', con=db)
print(df2)

 

8. df保存到mysql数据库

安装SQLALchemy
安装PyMySQL
MySQL里创建数据库：create database gzccnews charset utf8;

import pymysql
from sqlalchemy import create_engine
conn = create_engine(\'mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8\')
pandas.io.sql.to_sql(df, \'gzccnews\', con=conn, if_exists=\'replace\')

MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）

from sqlalchemy import create_engine
conn=create_engine(\'mysql+pymysql://root:mysql@localhost:3306/gzccnews?charset=utf8\')
pandas.io.sql.to_sql(df,\'gzccnews\',con=conn,if_exists=\'replace\')