数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

1 2 3 4

def writeNewsDatail(content):     f=open('gzccnews1.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)

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

  import pandas import requests import re from bs4 import BeautifulSoup from datetime import datetime   def writeNewsDatail(content):     f=open('gzccnews1.txt','a',encoding='utf-8')     f.write(content)     f.close()#dui   # 获取新闻点击次数 def getNewsId(url):#dui     newsId = re.findall(r'\_(.*).html', url)[0][-4:]     clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)     clickRes = requests.get(clickUrl)     # 利用正则表达式获取新闻点击次数     clickCount = int(re.search("hits').html('(.*)');", clickRes.text).group(1))     return clickCount   def getNewsDetail(newsUrl):#dui     # 读取新闻细节     resd = requests.get(newsUrl)     resd.encoding = "utf-8"     soupd = BeautifulSoup(resd.text, 'html.parser')#打开详情页并解析       news={}     news['title']=soupd.select('.show-title')[0].text     info = soupd.select(".show-info")[0].text  # info相关内容     news['dt']=datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:%S')     if info.find('来源：')>0:#作者：审核：来源：摄影：一样处理         news['source']=info[info.find('来源：'):].split()[0].lstrip('来源：')     else:         news['source']='none'       news['content'] = soupd.select(".show-content")[0].text.strip()  # 正文       news['count'] = getNewsId(newsUrl)     news['newsUrl']=newsUrl     return(news)     def getListPage(pageUrl):#dui     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:             newsUrl = news.select('a')[0].attrs['href']  # 链接             newsList.append(getNewsDetail(newsUrl)) #把详情的字典插进列表(一个新闻是字典 多个新闻是列表)     return newsList   def getPageN(): #新闻列表页的总页数     res=requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')     res.encoding='utf-8'     soup=BeautifulSoup(res.text,'html.parser')     n=int(soup.select('.a1')[0].text.rstrip('条'))     return(n//10+1)   newsTotal=[] n=getPageN() p= [2, n] for  i in p:     listPageUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)     print(listPageUrl)     newsTotal.extend(getListPage(listPageUrl)) for news in newsTotal:     print(news)

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

  1 2	import pandas df=pandas.DataFrame(newsTotal)

   4. 通过df将提取的数据保存到csv或excel 文件。

  1	df.to_excel("0416.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。

    1 2 3

    print(df[['count','title','source']][0:6]) print(df[(df['count']>3000)&(df['source']=='学校综合办')]) print(df[(df['source']=='国际学院')|(df['source']=='学生处')])