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 saveContent(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

def getNewDetail(newsUrl):
    news = {};
    res = requests.get(newsUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    # print(soup.select("#content")[0].text)  # 正文
    info = soup.select(".show-info")[0].text
    news['time'] = info.lstrip('发布时间:')[:19]
    news['title'] = soup.select('.show-title')[0].text
    # 作者
    if info.find('作者：') > 0:
        news['author'] = info[info.find('作者：'):info.find('审核：')].lstrip('作者：').split()[0]
    else:
        news['author'] = 'none';
    # print("作者：" + author + " " + "发布时间" + time)
    news['click']=getClickCount(newsUrl)
    news['url']=newsUrl
    # saveContent(soup.select("#content")[0].text)
    return news;

一个列表页所有单条新闻汇总-->列表newsls.append(news)

def getListPage(pageUrl):
    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:
            # time = news.select(".news-list-info")[0].contents[0].text
            # title = news.select(".news-list-title")[0].text
            # description = news.select(".news-list-description")[0].text
            url = news.select('a')[0].attrs['href']
            newslist.append(getNewDetail(url))
    return newslist;

所有列表页的所有新闻汇总列表newstotal.extend(newsls)

n = getPageN();
newstotal=[];
for i in range(1,2):
    if (i == 1):
        newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
    else:
        newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(getListPage(newsurl))

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

df=pandas.DataFrame(newstotal)
print(df)

4. 通过df将提取的数据保存到csv或excel 文件。

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'])

7. 从sqlite3读数据

import sqlite3
df = pandas.DataFrame(newstotal)
with sqlite3.connect('gzccnewsdb.sqlite')as db:
    df1.to_sql('gzccnewsdb',con=db,if_exists='replace')

import sqlite3
import pandas
with sqlite3.connect('gzccnewsdb.sqlite')as db:
    df10 =pandas.read_sql_query('select * from gzccnewsdb',con=db)
print(df10)

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/gzccnes?charset=utf8')
pandas.io.sql.to_sql(df,'news1',con=conn,if_exists='replace')