数据结构化与保存

1.结构化：

• 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)

2.转换成pandas的数据结构DataFrame

3.从DataFrame保存到excel

4.从DataFrame保存到sqlite3数据库

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import sqlite3
 
 
def getclick(url):#给定单条新闻链接，返回点击次数
    id=re.search('_(.*).html',url).group(1).split('/')[1]
    clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
    click=int(requests.get(clickurl).text.split('.')[-1].lstrip("html('").rstrip("');"))
    return click
 
def getdetail(url):#给定单条新闻链接，返回新闻细节的字典
    resd=requests.get(url)
    resd.encoding='utf-8'
    soupd=BeautifulSoup(resd.text,'html.parser')
    news={}
    news['title']=soupd.select('.show-title')[0].text
    news['url']=url
    info=soupd.select('.show-info')[0].text
    #news['dt']=datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:')
    #news['source']=re.search('来源:(.*)点击',info).group(1).strip()
    news['content']=soupd.select('.show-content')[0].text.strip()
    news['click']=getclick(url)
    return(news)
         
def onepage(pageurl):#给定新闻列表页的链接，返回该页所有新闻细节字典的列表
    res=requests.get(pageurl)
    res.encoding='utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    newsls=[]
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            newsls.append(getdetail(news.select('a')[0]['href']))
    return(newsls)
 
ns=[]
gzccurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
ns.extend(onepage(gzccurl))
res=requests.get(gzccurl)
res.encoding='utf-8'
soup = BeautifulSoup(res.text,'html.parser')
 
pages=int(soup.select('.a1')[0].text.rstrip('条'))//10+1#新闻列表页的总页数
 
for i in range(2,3):
    listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    ns.extend(onepage(listurl))#后面的每一个列表页
 
df=pandas.DataFrame(ns)#转换成pandas的数据结构DataFrame
print(df.head())
df.to_excel('gzccnews.xlsx')#从DataFrame保存到excel
with sqlite3.connect('gzccnewsdbl.sqlite')as db:#从DataFrame保存到sqlite3数据库
    df.to_sql('gzccnewsdb1',con=db)