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 writeNewsDetail(content):
    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 pandas
  import requests
  import re
  from bs4 import BeautifulSoup
  from datetime import datetime
   
  def writeNewsDatail(content):
      f=open('gzccnews1.txt','a',encoding='utf-8')
      f.write(content)
      f.close()#dui
   
  # 获取新闻点击次数
  def getNewsId(url):#dui
      newsId = re.findall(r'\_(.*).html', url)[0][-4:]
      clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
      clickRes = requests.get(clickUrl)
      # 利用正则表达式获取新闻点击次数
      clickCount = int(re.search("hits').html('(.*)');", clickRes.text).group(1))
      return clickCount
   
  def getNewsDetail(newsUrl):#dui
      # 读取新闻细节
      resd = requests.get(newsUrl)
      resd.encoding = "utf-8"
      soupd = BeautifulSoup(resd.text, 'html.parser')#打开详情页并解析
   
      news={}
      news['title']=soupd.select('.show-title')[0].text
      info = soupd.select(".show-info")[0].text  # info相关内容
      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'] = soupd.select(".show-content")[0].text.strip()  # 正文
   
      news['count'] = getNewsId(newsUrl)
      news['newsUrl']=newsUrl
      return(news)
     
  def getListPage(pageUrl):#dui
      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)) #把详情的字典插进列表(一个新闻是字典 多个新闻是列表)
      return newsList
   
  def getPageN(): #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=[]
  n=getPageN()
  p= [2, n]
  for  i in p:
      listPageUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)
      print(listPageUrl)
      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.

  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("0416.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。

    print(df[['count','title','source']][0:6])
    print(df[(df['count']>3000)&(df['source']=='学校综合办')])
    print(df[(df['source']=='国际学院')|(df['source']=='学生处')])