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 getNewsDetail(content):
    f=open('gzcc.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:

#获取新闻详情信息
def getNewsDetail(newsUrl):
    resd=requests.get(newsUrl)
    resd.encoding='utf-8'
    soupd=BeautifulSoup(resd.text,'html.parser')#打开新闻详情页


    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:#作者：审核：来源：摄影：
        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()
    getNewsDetail(news)

    news['click'] = getClickCount(newsUrl)
    news['click']=getClickCount(newsUrl)
    news['newsUrl']=newsUrl
    return(news)  # dt:代表时间，titlr:代表标题，a:代表链接，source:none,click:代表点击次数

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

import pandas
newstotal = [{}]
df = pandas.DataFrame(newstotal)

4. 通过df将提取的数据保存到csv或excel 文件。

	
import openpyxl
df.to_excel('gzccnews.xlsx')

5. 用pandas提供的函数和方法进行数据分析：

print(df[['title','clickCount','source']][:6])

print(df[(df['clickCount']>3000)&(df['source']=='学校综合办')])

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('time')
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。）