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 write(filename, content):
    f = open(filename, '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)

 news={}
    news['title']=soupd.select('.show-title')[0].text
    # news['newsurl']=newsurl
    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')
    news['click'] = int(getClickCount(newsurl))

    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            a=news.select('a')[0].attrs['href']
            newsList.append(getNewsDetail(a))
    return (newsList)

newsTotal=[]
firstPage='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getListPage(firstPage))
n=getPageNumber()
for i in range(n,n+1):
    listUrl= 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newsTotal.extend(getListPage(listUrl))

　　

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

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("news.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.head(6))
  print(df[['author','click','source']])
  print(df[df['click']>3000])
  sou=['国际学院','学生工作处']
  print(df[df['source'].isin(sou)])