• py数据结构化与保存


    1. 将新闻的正文内容保存到文本文件。

    content_info['content'] = soup.select('#content')[0].text
        with open('test.txt', 'a', encoding='UTF-8') as story:
            story.write(content_info['content'])

    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
      def gzcc_content_info(content_url):
          content_info = {}
          resp = requests.get(content_url)
          resp.encoding = 'utf-8'
          soup = BeautifulSoup(resp.text, 'html.parser')
          match_str = {'author': '作者:(.*)s+[审核]?', 'examine': '审核:(.*)s+[来源]?', 'source': '来源:(.*)s+[摄影]?', 
                       'photography': '摄影:(.*)s+[点击]'}
          remarks = soup.select('.show-info')[0].text
          for i in match_str:
              if re.match('.*' + match_str[i], remarks):
                  content_info[i] = re.search(match_str[i], remarks).group(1).split("xa0")[0]
              else:
                  content_info[i] = "  "
          time = re.search('d{4}-d{2}-d{2}sd{2}:d{2}:d{2}', remarks).group()
          content_info['time'] = datetime.strptime(time, '%Y-%m-%d %H:%M:%S')
          content_info['title'] = soup.select('.show-title')[0].text
          content_info['url'] = content_url
          content_info['clicks'] = gzcc_content_clicks(content_url)
          return content_info
    • 一个列表页所有单条新闻汇总-->列表newsls.append(news)
      def gzcc_list_page(page_url):
          page_news = []
          res = requests.get(page_url)
          res.encoding = 'utf-8'
          soup = BeautifulSoup(res.text, 'html.parser')
          news_list = soup.select('.news-list')[0]
          news_point = news_list.select('li')
          for i in news_point:
              a = i.select('a')[0]['href']
              page_news.append(gzcc_content_info(a))
          return page_news
    • 所有列表页的所有新闻汇总列表newstotal.extend(newsls)
      all_news = []
      url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
      res = requests.get(url)
      res.encoding = 'utf-8'
      soup = BeautifulSoup(res.text, 'html.parser')
      n = int(soup.select('#pages')[0].select("a")[-2].text)
      all_news.extend(gzcc_list_page(url))
      for i in range(2, n):
          all_news.extend(gzcc_list_page('http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)))

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

    df = pandas.DataFrame(all_news)

    4. 通过df将提取的数据保存到csv或excel 文件。

    df.to_excel('news.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
      df[['clicks', 'title', 'source']].head(6)
    • 提取‘学校综合办’发布的,‘点击次数’超过3000的新闻。
      df[(df['clicks'] > 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。
      news_info = ['国际学院', '学生工作处']
      df[df['source'].isin(news_info)]
  • 相关阅读:
    学习Java的Day02
    学习Java的Day01
    多线程的了解
    几个MQ的区别
    HTML5——存储(cookie、localStorage、sessionStorage)的区别
    dubbo mock配置
    Springboot分布式,excel导出,运用POI导出,前端用的jsp
    oracle 添加字段和添加注释
    可以重复的Map:IdentityHashMap
    数组转list问题
  • 原文地址:https://www.cnblogs.com/www924121851/p/8798704.html
Copyright © 2020-2023  润新知