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 writeFile(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 getClickCount(newsUrl):
    newId = re.search('\_(.*).html', newsUrl).group(1).split('/')[-1]
    res = requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newId))
    res.encoding = 'utf-8'
    count = int(res.text.split('.html')[-1].lstrip("('").rstrip("');"))
    return count

def getNewDetail(newsUrl):
    res = requests.get(newsUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    news = {}
    news['title'] = soup.select('.show-title')[0].text
    # info = soup.select('.show-info')[0].text.split()
    info = soup.select('.show-info')[0].text
    content = soup.select('#content')[0].text
    # writeFile(content)
    # print(soup.select('#content')[0].text)
    s = info.split()[0].lstrip('发布时间:') + " " + info.split()[1]  # 发布时间
    # zz = info[2].lstrip('作者：')  #作者
    # sh = info[3].lstrip('审核：')  #审核
    # ly = info[4].lstrip("来源：")  #来源
    if info.find('来源：') > 0:
        news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')
    else:
        news['source'] = 'none'
    news['time'] = datetime.strptime(s, '%Y-%m-%d %H:%M:%S')
    news['clickCount'] = getClickCount(newsUrl)
    news['newsUrl']= newsUrl
    # print(cc,type(cc))
    print(news)
    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']  # URL
            newslist.append(getNewDetail(a))
    return newslist


def getPageN():
    res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    pagenumber=int(soup.select('.a1')[0].text.rstrip('条'))
    page = pagenumber//10+1
    return page


print(getPageN())

firstUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen'
res = requests.get(firstUrl)
res.encoding = 'utf-8'

n=getPageN()
newstotal = []
for i in range(2,4):
    print(i)
    listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    temp = getListPage(listPageUrl)
    newstotal.extend(temp)

　

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

import pandas
df = pandas.DataFrame(newstotal)

　

4. 通过df将提取的数据保存到csv或excel 文件。

import openpyxl
df.to_excel('111.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[['clickCount','title','source']].head(6))

运行结果图：

print(df[(df['clickCount']>3000)&(df['source']=='学校综合办')])

运行结果图：

print(df[(df['source']=='国际学院')|(df['source']=='学生工作处')])

运行结果图：

print(df1['2018-04-11'])

　

6. 保存到sqlite3数据库

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df.to_sql('gzccnews11',con=db,if_exists='replace')

7. 从sqlite3读数据

with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df10 = pandas.read_sql_query('select * from gzccnews11',con=db)
print(df10)

运行结果图：

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;

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

import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:123456@localhost:3306/test?charset=utf8')
pandas.io.sql.to_sql(df10,'gzccnews',con=conn,if_exists='replace')

　运行结果图：