zoukankan      html  css  js  c++  java
  • 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
    import re
    from bs4 import BeautifulSoup
    from datetime import datetime
    import pandas
    
    
    def getclick(url):
        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):
        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):
        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
    
    for i in range(2,3):
        listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
        ns.extend(onepage(listurl))
    
    df=pandas.DataFrame(ns)
    print(df.head())
    df.to_excel('gzccnews.xlsx')
    

      

  • 相关阅读:
    如何使用maven进行avro序列化
    CDH搭建和集成spark、kafka操作
    spark批量写写数据到Hbase中(bulkload方式)
    Hbase服务报错:splitting is non empty': Directory is not empty
    关于java中的伪共享的认识和解决
    一次流式处理的submit
    Hbase的写入负载均衡
    基于bs4库的HTML标签遍历方法
    BeautifulSoup库的基本元素
    Requests的基本使用
  • 原文地址:https://www.cnblogs.com/toronad/p/7685844.html
Copyright © 2011-2022 走看看