• 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 writeNewsDetails(contents):
        f = open('gzccnews.txt', 'a', encoding='utf-8')
        f.write(contents)
        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)
      import requests
      from bs4 import BeautifulSoup
      from datetime import datetime
      import re
      import pandas
      import openpyxl
      import sqlite3
       
      url = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
      res = requests.get(url);
      res.encoding = "utf-8"
      soup = BeautifulSoup(res.text,"html.parser");
       
      def writeNewsDetails(contents):
          f = open('gzccnews.txt',"a",encoding="utf-8")
          f.write(contents)
          f.close()
       
       
      def getClickCount(newUrl):
          newsId = re.findall("\_(.*).html",newUrl)[0].split("/")[-1];
          res = requests.get("http://oa.gzcc.cn/api.php?op=count&id= {}&modelid=80".format(newsId))
          return int(res.text.split(".html")[-1].lstrip("('").rsplit("');")[0])
       
       
      #获取新闻详情
      def getNewDetails(newsDetailUrl):
          detail_res = requests.get(newsDetailUrl)
          detail_res.encoding = "utf-8"
          detail_soup = BeautifulSoup(detail_res.text, "html.parser")
       
          news={}
          news['title'] = detail_soup.select(".show-title")[0].text
          info = detail_soup.select(".show-info")[0].text
          news['date_time'] = datetime.strptime(info.lstrip('发布时间:')[:19], "%Y-%m-%d %H:%M:%S")
          if info.find('来源:')>0:
              news['source'] = info[info.find("来源:"):].split()[0].lstrip('来源:')
          else:
              news['source'] = 'none'
          news['content'] = detail_soup.select("#content")[0].text
          writeDetailNews(news['content'])
          news['click'] = getClickCount(newsDetailUrl)
          return news
          # print(news)
       
      # 获取总页数
      def getPageN(url):
          res = requests.get(url)
          res.encoding = 'utf-8'
          soup = BeautifulSoup(res.text, 'html.parser')
          return int(soup.select(".a1")[0].text.rstrip(""))//10+1
       
      # 获取新闻一页的所有信息
      def getListPage(url):
         newsList = []
         for news in soup.select("li"):
              if len(news.select(".news-list-title"))>0:  #排除为空的li
                  # time = news.select(".news-list-info")[0].contents[0].text
                  # title = news.select(".news-list-title")[0].text
                  # description = news.select(".news-list-description")[0].text
                  detail_url = news.select('a')[0].attrs['href']
                  newsList.append(getNewDetails(detail_url))
                  return newsList
       
      newsTotal = []
      totalPageNum = getPageN(url)
      firstPageUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
      newsTotal.extend(getListPage(firstPageUrl))
       
      for num in range(totalPageNum,totalPageNum+1):
              listpageurl="http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(num)
              getListPage(listpageurl)
       
      print(newsTotal)

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

    df = pandas.DataFrame(newsTotal)
    print(df)

    4. 通过df将提取的数据保存到csv或excel 文件。

    df.to_excel('gzcss.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[['title','clickCount','source']][:6])
       
      print(df[(df['clickCount']>3000)&(df['source']=='学校综合办')])
       
      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
      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。)

  • 相关阅读:
    第三周课程总结实验报告
    Java第二周学习总结
    2019春总结作业
    第十二周作业
    第十一周作业
    第十周作业
    第九周作业
    第八周作业
    第二周课程总结
    2019春总结
  • 原文地址:https://www.cnblogs.com/605-mk/p/8875465.html
Copyright © 2020-2023  润新知