Hadoop综合大作业

Hadoop综合大作业 要求：

1.用Hive对爬虫大作业产生的文本文件（或者英文词频统计下载的英文长篇小说）词频统计。

问题：因为我是用空格作为分隔所以有些词连标点符号也一起分析统计。

2.用Hive对爬虫大作业产生的csv文件进行数据分析，写一篇博客描述你的分析过程和分析结果。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import openpyxl
url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
res = requests.get(url)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')


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


def getNews(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    newsDict = {}
    info = soupd.select('.show-info')[0].text
    newsDict['title'] = soupd.select('.show-title')[0].text
    dt = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')
    if (info.find('作者：') > 0):
        newsDict['author'] = re.search('作者：((.{2,4}\s|.{2,4}、){1,3})', info).group(1)
    if (info.find('审核：') > 0):
        newsDict['check'] = re.search('审核：((.{2,4}\s){1,3})', info).group(1)
    if (info.find('来源：') > 0):
        newsDict['sources'] = re.search('来源：((.{2,50}\s|.{2,50}、|.{2,50}，){1,5})', info).group(1)
    content = soupd.select('.show-content')[0].text.strip()
    click = getClick(newsUrl)
    # print(click,title,newsUrl,author,check,sources,dt)
    newsDict['click'] = getClick(newsUrl)  # 调用getnewsclick()获取点击次数
    newsDict['content'] = content
    return newsDict



def getListPage(listPageUrl):
    res=requests.get(listPageUrl)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    pagelist = []
    for news in soup.select('li'):
        if len(news.select('.news-list-title')) > 0:
            a = news.select('a')[0]['href']
            pagedict = getNews(a)  # 调用getnewsdetail()获取新闻详情
            pagelist.append(pagedict)
    return pagelist

# listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
resn = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
resn.encoding = 'utf-8'
soupn = BeautifulSoup(resn.text,'html.parser')
n = int(soupn.select('.a1')[0].text.rstrip('条'))//10+1
total = []
listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
pagelist = getListPage(listPageUrl)
total.extend(pagelist)
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(2,4):
    listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    getListPage(listPageUrl)

爬的是校园新闻网，截取部分图。