数据结构化与保存

任务如下:

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。

 

 

1. 将新闻的正文内容保存到文本文件。

    #定义一个content.txt的文本
    f = open(“content.txt”, 'a', encoding='utf-8')
    #content为文本正文
    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        
#全局变量
news ={}
  • # 读取新闻细节
    def getNewDetail(detail,title,description):
        resDescript = requests.get(detail,headers)
        resDescript.encoding = "utf-8"
        soupDescript = BeautifulSoup(resDescript.text, 'html.parser')
        news['title']=soupDescript.select('.show-title')[0].text
    
        content = soupDescript.select(".show-content")[0].text  # 正文
        info = soupDescript.select(".show-info")[0].text  # info相关内容
        # 第一种方法 分离 message = info.split()
        # 第二种方法 用正则表达式
        print('标题' + ': ' + title)
        print('概要' + ': ' + description)
        print('链接' + ': ' + detail)
        print('正文' + ' :' + content)
        if(re.search("发布时间:(.*) \xa0\xa0 \xa0\xa0作者:", info) !="Null" ):
            time = re.search("发布时间:(.*) \xa0\xa0 \xa0\xa0作者:", info).group(1)
            news['time']=time
        else:news['time']="null"
        if (re.search("作者:(.*)\xa0\xa0审核:", info) !="Null"):
            author = re.search("作者:(.*)\xa0\xa0审核:", info).group(1)
            news['author']=author
            print("作者:" + author)
        else:news['author']="null"
        if (re.search("审核:(.*)\xa0\xa0来源:", info) !="Null"):
            right = re.search("审核:(.*)\xa0\xa0来源:", info).group(1)
            news['right']=right
        else:news['right']="null"
        if (re.search('来源:(.*)\xa0\xa0\xa0\xa0摄影:', info) != "null"):
            resource = re.search('来源:(.*)\xa0\xa0\xa0\xa0摄影:', info)
            news['resource'] = resource
        else:news['resource']="null"
        if (re.search("摄影:(.*)\xa0\xa0\xa0\xa0点击:", info)!="Null"):
            video = re.search("摄影:(.*)\xa0\xa0\xa0\xa0点击:", info)
            news['video']=video
        else:news['video']="null"
        count = getNewsId(detail)
        news['count']=content
        dateTime = datetime.strptime(time, '%Y-%m-%d %H:%M:%S')
        news['dataTime']=dateTime
  • 一个列表页所有单条新闻汇总-->列表newsls.append(news)
  • #直接在上面那一条后面加一个这个即可整合
    page_news.append(news)
  • 所有列表页的所有新闻汇总列表newstotal.extend(newsls)

 

#第一次执行,为了获取页数信息
getListPage(listPageUrl,0)
#整合一页所有新闻
all_news.extend(page_news)
#print(page) page是我第一次获取信息时得到的页数信息
for n in range(1,page):
    PageUrl = listPageUrl + str(n) + ".html"
    getListPage(PageUrl,n)
    #整合所有页面的所有信息
    all_news.extend(page_news)

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

 

#集合所有新闻信息之后
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)]

 

posted @ 2018-04-11 22:22  166黄仲浩  阅读(179)  评论(0编辑  收藏  举报