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 writeNewsDetail(content):
    f = open('content.text','a','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)

from datetime import datetime
import requests
import re
from bs4 import BeautifulSoup

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

def getNewsDetail(newsUrl):
    res = requests.get(newsUrl)
    res.encoding = 'utf-8'
    Ssoup = BeautifulSoup(res.text, 'html.parser')

    title = Ssoup.select('.show-title')[0].text
    info = Ssoup.select('.show-info')[0].text
    dt = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')
    source = info[info.find('来源：'):].split()[0].lstrip('来源:')
    content = Ssoup.select('.show-content')[0].text.strip()
    click = getClickCount(newsUrl)
    print(dt, title, newsUrl, source, click)

def writeNewsDetail(content):
    f = open('content.text','a','utf-8')
    f.write(content)
    f.close()

def getNewsDetail(newsUrl):
    res = requests.get(newsUrl)
    res.encoding = 'utf-8'
    Ssoup = BeautifulSoup(res.text, 'html.parser')

    news={}
    news['title'] = Ssoup.select('.show-title')[0].text
    info = Ssoup.select('.show-info')[0].text
    news['dt'] = datetime.strptime(info.lstrip('发布时间:')[0:19], '%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'] = Ssoup.select('.show-content')[0].text.strip()
    # writeNewsDetail(news['content'])
    news['click'] = getClickCount(newsUrl)
    news['newsUrl'] = newsUrl
    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:  # 排除为空的li
            newsUrl = news.select('a')[0].attrs['href']
            newslist.append(getNewsDetail(newsUrl))
    return (newslist)

def getPageN():
    res = requests.get(firstPageUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    n = int(soup.select('.a1')[0].text.rstrip('条'))
    return (n // 10 + 1)


newstotal = []
firstPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
newstotal.extend(getListPage(firstPageUrl))

n = getPageN()
for i in range(n, n+1):
    listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(getListPage(listPageUrl))
print(newstotal)

　　

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('1234.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

  print(df[['click','title','source']].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['source']=='学校综合办')])

• 
• 提取'国际学院'和'学生工作处'发布的新闻。

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

• 
• 进取2018年3月的新闻

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。）