数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

# 将新闻内容写入文本
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)

#将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):
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)

　　

# 11. 获取全部新闻列表页的全部新闻详情。
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

• # 提取包含点击次数、标题、来源的前6行数据
  print(df[['title','clickCount','source']][:6])

• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

• 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。

• # 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

• # 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。）