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。

 

# -*- coding: UTF-8 -*-# -*-
import requests
import re
import pandas
import locale
locale=locale.setlocale(locale.LC_CTYPE, 'chinese')

from bs4 import BeautifulSoup
from datetime import datetime


url = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
res = requests.get(url)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')

def writeNewsDetail(content):
    f=open('gzccNews.txt','a',encoding='utf-8')
    f.write(content)
    f.close()

def getClickCount(newsUrl):

    newId = re.search('\_(.*).html', newsUrl).group(1)
    clickUrl = "http://oa.gzcc.cn/api.php?op=count&id=9183&modelid=80".format(newId)
    return (int(requests.get(clickUrl).text.split('.html')[-1].lstrip("('").rstrip("');")))

#一篇新闻的详情
def getNewDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')

    news={}
    news['title'] = soupd.select('.show-title')[0].text
    info = soupd.select('.show-info')[0].text
    t = soupd.select('.show-info')[0].text[0:24].lstrip('发布时间:')
    news['dt'] = datetime.strptime(t, '%Y-%m-%d %H:%M:%S')
    if info.find('来源') > 0:
        news['source']=info[info.find('来源：'):].split()[0].lstrip('来源：')
    else:
        news['source']='none'
    news['content']= soupd.select('#content')[0].text.strip()
    writeNewsDetail(news['content'])
    news['click']=getClickCount(newsUrl)
    news['newsUrl']=newsUrl
    # print(news)
    # print(news['source'])
    return (news)
    # print(dt,title,newsUrl,source,click)

#一个分页的全部新闻
def getListPage(ListPageUrl):
    res = requests.get(ListPageUrl)
    res.encoding = 'utf-8'
    soupd = BeautifulSoup(res.text, 'html.parser')

    newsList=[]
    for news in soup.select('li'):
        # print(news)
        if len(news.select('.news-list-title')) > 0:
            # t1 = news.select('.news-list-title')[0].text
            # d1 = news.select('.news-list-description')[0].text
            a = news.select('a')[0].attrs['href']
            newsList.append(getNewDetail(a))
    return(newsList)

# 算出总页
def getPageN():
    resn = requests.get(url)
    resn.encoding = 'utf-8'
    soupn = BeautifulSoup(resn.text, 'html.parser')
    n=int(soupn.select('.a1')[0].text.rstrip('条'))//10+1
    return(n)

newsTotal=[]
firstPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
# getListPage(firstPageUrl)
newsTotal.extend(getListPage(firstPageUrl))

# 输出总页
for i in range(2, 3):
    ListpageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newsTotal.extend(getListPage(ListpageUrl))
print(newsTotal)

df=pandas.DataFrame(newsTotal)
# print(df)
df.to_excel( "123.xlsx")
# df.to_csv(gzccNews.csv)
# print(df.dtypes  )     #查看不同列数据类型
# print(df.head() )      #查看前几行数据类型
# print(df.tail(3) )      #查看后几行数据类型
# print(df.index)
# print(df.columns)
# print(df.values)

# print(df[1:7])

print(df.head(6))
print(df[(df['click']>3000)&(df['source']=='学校综合办')])
sou=['国际学院','学生工作处']
print(df[df['source'].isin(sou)])