1. 将新闻的正文内容保存到文本文件。
def writeNewsDetail(content):# 将新闻的正文内容保存到文本文件。 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)
-
import re import requests import pandas from bs4 import BeautifulSoup from datetime import datetime def writeNewsDetail(content):# 将新闻的正文内容保存到文本文件。 f=open('gzccNews.txt','a',encoding='utf-8') f.write(content) f.close() def getClickCount(url): newId=re.findall(r'\_(.*).html',url)[0][-4:] clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80'.format(newId) clickRes = requests.get(clickUrl) clickCount = int(re.search("hits').html('(.*)');", clickRes.text).group(1)) return clickCount #将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl): def getNewsDetail(newsUrl):#一篇新闻的全部消息 resd=requests.get(newsUrl) resd.encoding = 'utf-8' soupd = BeautifulSoup(resd.text, 'html.parser')#打开新闻详情页并解析 news={} news['title'] = soupd.select('.show-title')[0].text info = soupd.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: source = info[info.find('来源:'):].split()[0].lstrip('来源:') else: source = 'none' if info.find('作者:') > 0: source = info[info.find('作者:'):].split()[0].lstrip('作者:') else: source = 'none' news['content']=soupd.select('.show-content')[0].text.strip() # writeNewsDetail(content) news['click'] = getClickCount(newsUrl) news['newsUrl']=newsUrl return (news) def getNewsList(pageUrl): res=requests.get(pageUrl) res.encoding = 'utf-8' soup = BeautifulSoup(res.text, 'html.parser') for news in soup.select('li'): if len(news.select('.news-list-title'))>0: # print(news.select('.news-list-title')) #t=news.select('.news-list-title')[0].text#取标题 #dt=news.select('.news-list-info')[0].contents[0].text#取日期 newsUrl=news.select('a')[0].attrs['href']#取链接 getNewsDetail(newsUrl) break 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: newsUrl=news.select('a')[0].attrs['href'] newsList.append(getNewsDetail(newsUrl)) 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 // 10 + 1) # return n #将新闻数据结构化为字典的列表: 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)) for news in newsTotal: print(news)
3. 安装pandas,用pandas.DataFrame(newstotal),创建一个DataFrame对象df.
-
df = pandas.DataFrame(newsTotal)
4. 通过df将提取的数据保存到csv或excel 文件。
-
df.to_excel('gzcc456.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。
-
# 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', '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)])