1. 将新闻的正文内容保存到文本文件。
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)
3. 安装pandas,用pandas.DataFrame(newstotal),创建一个DataFrame对象df.
4. 通过df将提取的数据保存到csv或excel 文件。
import requests import re import pandas from bs4 import BeautifulSoup from datetime import datetime def writeNewsDetail(content): f = open('gzccNews.txt','a',encoding='utf-8') f.write(content) f.close() def getClickCount(url): nurl=url newsId = re.search('\_(.*).html',nurl).group(1).split('/')[-1] clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId) res = requests.get(clickUrl) dtn=res.text.split('.html')[-1].lstrip("('").rstrip("');") num = int(dtn) return num def getNewsDetail(url): res2 = requests.get(url) res2.encoding = 'utf-8' soup2 = BeautifulSoup(res2.text, 'html.parser') news = {} news['title'] = soup2.select('.show-title')[0].text news['content'] = soup2.select('#content')[0].text # 爬取校园新闻首页新闻的正文 # writeNewsDetail(news['content']) ifd = soup2.select('.show-info')[0].text news['dt'] = datetime.strptime(ifd.lstrip('发布时间:')[:19], '%Y-%m-%d %H:%M:%S') # 获取每篇新闻的发布时间 if ifd.find('来源:')>0: news['source']=ifd[ifd.find('来源:'):].split()[0].lstrip('来源:') else: news['source']='none' news['click']=getClickCount(url) news['newsurl']=url return(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: a = news.select('a')[0].attrs['href'] newsList.append(getNewsDetail(a)) return(newsList) def getPageN(): res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/') res.encoding = 'utf-8' soup = BeautifulSoup(res.text,'html.parser') n = int(soup.select('#pages a')[0].text.rstrip('条')) return n pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/' newTotal=[] newTotal.extend(getListPage(pageUrl)) n = getPageN() for i in range(n,n+1): listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i) newTotal.extend(getListPage(listPageUrl)) df = pandas.DataFrame(newTotal) df.to_excel('416.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
# 提取包含点击次数、标题、来源的前6行数据 print(df[['click','title','sources']].head(6)) # 提取‘学校综合办’发布的,‘点击次数’超过3000的新闻。 print(df[(df['click']>3000)&(df['sources']=='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['sources'].isin(sou)])