数据结构化与保存

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)])