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('content.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)

  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['dt'] = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')
      if info.find('作者：') > 0:
          news['wr'] = info[info.find('作者：'):info.find('审核：')].lstrip('作者：').split()[0]
      else:
          news['wr'] = 'none'
      if info.find('摄影：') > 0:
          news['ph'] = info[info.find('摄影：'):].split()[0].lstrip('摄影：')
      else:
          news['ph'] = 'none'
      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('.show-content')[0].text.strip()
      writeNewsDetail(content)
      news['click'] = getClickCount(newsUrl)
      news['newsUrl'] = newsUrl
      # print('发布时间：', dt, '标题：', title, '链接：', newsUrl, '来源：', source, '作者：', wr, '摄影：', ph, '点击次数：', click)
      return news
  newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
  
  def getListPage(newsurl):
      res = requests.get(newsurl)
      res.encoding = 'utf-8'
      soup = BeautifulSoup(res.text, 'html.parser')
      newslist = []
      for new in soup.select('li'):
          if len(new.select('.news-list-title')) > 0:
              newsUrl = new.select('a')[0].attrs['href']
              newslist.append(getNewDetail(newsUrl))
      return newslist
  getListPage(newsurl)
  
  
  def getPageN():
      res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
      res.encoding = "utf-8"
      soup = BeautifulSoup(res.text, 'html.parser')
      n = int(soup.select('#pages')[0].select('a')[0].text.rstrip('条'))
      return (n // 10 + 1)
  
  getListPage(newsurl)
  newsTotal = []
  n = getPageN()
  
  for i in range(1,5):
      # print(i)
      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.

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_csv('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']=='学校综合办')])
print(df[(df['source']=='国际学院')|(df['source']=='学生工作处')])
print(df1['2018-03'])

6. 保存到sqlite3数据库

import sqlite3

with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df.to_sql('gzccnewsdb', 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 gzccnewsdb',con=db)

8. df保存到mysql数据库

import pymysql
from sqlalchemy import create_engine

conn = create_engine('mysql+pymysql://root:123456@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')