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 getcontent(content):
    f = open('gzccnew.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
from bs4 import BeautifulSoup
from datetime import datetime

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

def getClickCount(newsUrl):
    newid=re.search('\_(.*).html',newsUrl).group(1).split('/')[-1]
    res=requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newid))
    return int(res.text.split(".html")[-1].lstrip("('").rstrip("');"))

def getNewDetail(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'
    content=soupd.select('#content')[0].text
    news['newsUrl']=newsUrl
    getcontent(content)
    news['click'] = getClickCount(newsUrl)
    return (news)

def getListPage(pageUrl):
    res = requests.get(pageUrl)
    res.encoding = 'utf-8'
    newssum=[]
    soup = BeautifulSoup(res.text, 'html.parser')
    for news in soup.select('li'):
        if len(news.select('.news-list-title')) > 0:
            g = news.select('a')[0].attrs['href']
            newssum.append(getNewDetail(g))
    return (newssum)


def getPageN():
    res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    pagenumber=int(soup.select('.a1')[0].text.rstrip('条'))
    page = pagenumber//10+1
    return page

newstotal=[]
pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
newstotal.extend(getListPage(pageUrl))
n = getPageN()
for i in range(n-5, n + 1):
    listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(getListPage(listPageUrl))
print(newstotal)

　　

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

df=pandas.DataFrame(newstotal)
print(df)

　　

4. 通过df将提取的数据保存到csv或excel 文件。

df.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

print(df[['click','title','source']].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['source']=='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['source'].isin(sou)])
  

  　　

• 进取2018年3月的新闻
  

  df1 = df.set_index("ti")
  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')

df1 = df.set_index("ti")
df3=df1['2018-03-23 17:17:07 ':'2018-03-27 09:41:07 ']
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('newsdb.sqlite') as db:
    df2 = pandas.read_sql_query('SELECT * FROM gzccnews02',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。）

import pymysql
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')