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
1 import requests 2 from bs4 import BeautifulSoup 3 from datetime import datetime 4 import re 5 import pandas 6 import sqlite3 7 8 url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/' 9 res = requests.get(url) 10 res.encoding = 'utf-8' 11 soup = BeautifulSoup(res.text, 'html.parser') 12 13 #给定单条新闻链接，返回点击次数 14 def getclick(url): 15 m=re.search(r'_(.*).html',url) 16 newsid=m.group(1)[5:] 17 clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsid) 18 resc=requests.get(clickurl).text 19 20 #匹配任意位置的模式串，可以使用re.search() #re.match()只匹配位于字符串开始位置的模式串; 21 r=re.search(r'hits(.*)',resc).group(1) 22 click=r.lstrip("').html('").rstrip("');") 23 return int(click) 24 25 #print(getclick('http://news.gzcc.cn/html/2017/xiaoyuanxinwen_1017/8338.html')) #图1 26 27 #给定单条新闻链接，返回新闻细节的字典 28 def getdetail(url): 29 resd=requests.get(url) 30 resd.encoding='utf-8' 31 soupd=BeautifulSoup(resd.text,'html.parser') 32 news={} 33 news['url']=url 34 news['title']=soupd.select('.show-title')[0].text 35 info=soupd.select(".show-info")[0].text 36 news['dt']=datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:%S')## 37 news['source']=re.search('来源：(.*)点击',info).group(1).strip() 38 #news['content']=soupd.select('.show-content')[0].text.strip() 39 news['click']=getclick(url) 40 return(news) 41 #print(getdetail('http://news.gzcc.cn/html/2017/xiaoyuanxinwen_1017/8338.html')) #图2 42 43 #给定新闻列表页的链接，返回该页所有新闻的细节字典的列表 44 def onepage(pageurl): 45 res=requests.get(pageurl) 46 res.encoding='utf-8' 47 soup=BeautifulSoup(res.text,'html.parser') 48 newsls=[] 49 for news in soup.select('li'): 50 if len(news.select('.news-list-title'))>0: 51 newsls.append(getdetail(news.select('a')[0]['href'])) 52 return (newsls) 53 #print(onepage('http://news.gzcc.cn/html/xiaoyuanxinwen/')) #图3 54 55 newstotal=[] 56 gzccurl='http://news.gzcc.cn/html/xiaoyuanxinwen/' 57 newstotal.extend(onepage(gzccurl)) 58 59 res=requests.get(gzccurl) 60 res.encoding='utf-8' 61 soup=BeautifulSoup(res.text,'html.parser') 62 n=int(soup.select('.a1')[0].text.rstrip('条')) 63 pages=n//10+1 #计算多少条新闻有多少页 64 65 for i in range(2,3): 66 listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i) 67 newstotal.extend(onepage(listurl))#后面的每一个列表页（extend():列表1里接上列表2的内容） 68 #print(len(newstotal)) #20 69 70 df = pandas.DataFrame(newstotal)#创建DataFrame对象 71 72 #print(df.head()) #查看前几行的数据，默认前五行 #图4 73 #print(df['title']) #图5 74 #print(df[df.click>5000])#筛选 75 76 #保存到Excel表 #图6 77 df.to_excel('gzccnews.xlsx') 78 79 #保存到数据库 #图7 80 with sqlite3.connect('gzccnews_db.sqlite') as db: 81 df.to_sql('news_table',con = db)
图1：测试getclick(url)
图2：测试getdetail(url)
图3：测试onepage(pageurl)
图4：测试pandas.DataFrame(newstotal)表格数据是否创建
图5：DF数据筛选查找
图6：创建Excel表
图7：创建sqlite3数据库
反省：
1、忘记在每个段落方法写完后使用print（）检查错误，导致要全篇检查贼累
2、拼写和小细节错误较多，程序思路没理顺。