• 数据结构化与保存


    1. 将新闻的正文内容保存到文本文件。

    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)

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

    4. 通过df将提取的数据保存到csv或excel 文件。

    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。
    import requests
    import re
    import pandas
    import openpyxl
    from bs4 import BeautifulSoup
    from datetime import datetime
    
    
    # 获取新闻点击次数
    def getnewsclick(url):
        newsId = re.search(r'\_d{4}/(.*).html', url).group(1)
        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
    
    
    # 获取新闻细节
    def getnewsdetail(newsurl):
        resd = requests.get(newsurl)
        resd.encoding = 'utf-8'
        soupd = BeautifulSoup(resd.text, 'html.parser')
        newsDict = {}
        content = soupd.select('#content')[0].text
        info = soupd.select('.show-info')[0].text
        newsDict['title'] = soupd.select('.show-title')[0].text
        date = re.search('(d{4}.d{2}.d{2}sd{2}.d{2}.d{2})', info).group(1)  # 识别时间格式
        # 识别一个至三个数据
        if info.find('作者') > 0:
            newsDict['author'] = re.search('作者:((.{2,4}s|.{2,4}、){1,3})', info).group(1)
        else:
            newsDict['author'] = 'none'
        if info.find('审核') > 0:
            newsDict['check'] = re.search('审核:((.{2,4}s){1,3})', info).group(1)
        else:
            newsDict['check'] = 'none'
        if info.find('来源') > 0:
            first = re.search('来源:(.*)s*点', info).group(1)
            if first.find('摄影') > 0:
                newsDict['sources'] = re.search('(.*)s*摄', first).group(1)  # 解决新闻有摄影无法匹配正则的问题
            else:
                newsDict['sources'] = first
        else:
            newsDict['sources'] = 'none'
        if info.find('摄影') > 0:
            newsDict['photo'] = re.search('摄影:(.*)s*点', info).group(1)
        else:
            newsDict['photo'] = 'none'
        newsDict['dateTime'] = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')  # 用datetime将时间字符串转换为datetime类型
        newsDict['click'] = getnewsclick(newsurl)  # 调用getnewsclick()获取点击次数
        newsDict['content'] = content
        return newsDict
    
    
    def getlistpage(listurl):  # 获取一页的新闻,转换成列表返回
        res = requests.get(listurl)
        res.encoding = 'utf-8'
        listsoup = BeautifulSoup(res.text, 'html.parser')
        pagelist = []
        for new in listsoup.select('.news-list')[0].select('li'):
            newsUrl = new.select('a')[0]['href']
            pagedict = getnewsdetail(newsUrl)  # 调用getnewsdetail()获取新闻详情
            pagelist.append(pagedict)
            # break
        return pagelist
    
    
    def gettotalpage(listurl):  # 获取总新闻页面
        res = requests.get(listurl)
        res.encoding = 'utf-8'
        soup = BeautifulSoup(res.text, 'html.parser')
        return int(soup.select('.a1')[0].text.rstrip('条')) // 10 + 1
    
    
    total = []
    listUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
    pagelist = getlistpage(listUrl)
    total.extend(pagelist)
    listCount = gettotalpage(listUrl)
    pan = pandas.DataFrame(total)
    pan.to_excel('result.xlsx')  # 导出为Excel表格
    pan.to_csv('result.csv')  # 导出为csv文件
    for i in range(2,listCount):
        listUrl= 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
        total = getlistpage(listUrl)
    
    print(pan[['click', 'sources', 'title']].head(6))
    print(pan[(pan['click'] > 3000) & (pan['sources'] == '学校综合办')])
    selectlist = ['国际学院', '学生工作处']
    print(pan[pan['sources'].isin(selectlist)])
    

      

  • 相关阅读:
    [Apio2014]回文串
    省队集训day6 C
    省队集训day6 B
    省队集训Day3 light
    省队集训Day3 tree
    多串匹配
    ubuntu卸载福昕阅读器
    greenlet
    python multithread task_done
    mysql参数调优
  • 原文地址:https://www.cnblogs.com/shadows24/p/8810345.html
Copyright © 2020-2023  润新知