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('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
• 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 getNewsDetail(url):
      resd = requests.get(url)
      resd.encoding = 'utf-8'
      soupd = BeautifulSoup(resd.text,'html.parser')
      # print(resd.text)
      news = {}
      # 标题
      news['title'] = soupd.select('.show-title')[0].text
      # 时间
      info = soupd.select('.show-info')[0].text
      # print(info)
      news['time'] = datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:%S')
      # print(news['time'])
      # 来源
      if info.find('来源：')>0:
          news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')
      else:
          news['source'] = 'none'
      # 点击次数
      news['clickCount'] = int(getClickCount(url))
      news['newsUrl'] = url
      # print(clickCount)
      # print('标题：' + ti + ' 时间：' + tim + ' 来源：' + source + ' 点击次数：' + clickCount + ' 链接: ' + url)
      # 正文
      # print('正文:')
      news['content'] = soupd.select('.show-content')[0].text.strip()
      # cl = tuple(content)
      # df = cl.__str__()
      # print(news['content'])
      writeNewsDetail(news['content'])
      return(news)
      # for c in content:
      #     print(c)
  
  newstotal = []
  pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
  newstotal.extend(getListPage(pageUrl))
  print(newstotal)
  

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

  import pandas
  newstotal = [{}]
  df = pandas.DataFrame(newstotal)
  

  4. 通过df将提取的数据保存到csv或excel 文件。

  import openpyxl
  # 导入excel文件
  df.to_excel('gzccnews.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。
  • 进取2018年3月的新闻

    print(df[['title','clickCount','source']][:6])
     
    print(df[(df['clickCount']>3000)&(df['source']=='学校综合办')])
     
    # 提取'国际学院'和'学生工作处'发布的新闻。
    sou = ['国际学院','学生工作处']
    print(df[df['source'].isin(sou)])
     
    # 进取2018年3月的新闻
    df1 = df.set_index('time')
    print(df1['2018-03'])
    

　　　6. 保存到sqlite3数据库

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
df3.to_sql('gzccnews05',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 gzccnews05',con=db)
print(df2)

　　

8. df保存到mysql数据库

　　安装SQLALchemy
　　安装PyMySQL
　　MySQL里创建数据库：create database gzccnews charset utf8;

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

　　MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）