数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

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

结果如下：

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)

  def getClickCount(newsUrl):
      newsId = re.search('\_(.*).html', newsUrl).group(1).split("/")[-1]
      clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
      return (int(requests.get(clickUrl).text.split('.html')[-1].lstrip("(')").rstrip("');")))
  
  def getNewsDetail(newsUrl):
      resd = requests.get(newsUrl)
      resd.encoding = 'utf-8'
      soupd = BeautifulSoup(resd.text, 'html.parser')
  
  
      news = {}
      news['t'] = soupd.select('.show-title')[0].text
      c = soupd.select('.show-info')[0].text
      tm = c.lstrip('发布时间:')[:19]
      news['dt'] = datetime.strptime(tm, '%Y-%m-%d %H:%M:%S')
      if c.find('来源：') > 0:
          news['source'] = c[c.find('来源：'):].split()[0].lstrip('来源：')
      else:
          news['source'] = 'none'
      # news['content'] = soupd.select('.show-content')[0].text.strip()
      # writeNewDetail(news['content'])
      news['click'] = getClickCount(newsUrl)
      news['newsUrl'] = newsUrl
      return (news)
  
  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']  # 链接
              newslist.append(getNewsDetail(newsUrl))
      return(newslist)
  
  def getPageN():
      # 获取新闻列表总页数
      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')) // 10 + 1
      return (n)
  
  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))

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

import pandas
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')
df.to_excel('gzccnews.csv')

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

  print(df[['click','title','source']].head(6))
  
  print(df[(df['click']>3000)&(df['source']=='学院综合办')])
  
  sou = ['国际学院', '学生工作处']
  print(df[df['source'].isin(sou)])
  
  print(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')

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)

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。）