数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

def write(filename, content):
    f = open(filename, 'a', encoding='utf-8')
    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
  • 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。

import requests
import pandas
import openpyxl
from bs4 import BeautifulSoup
from datetime import datetime
import re

#获得新闻点击次数
def getclick(link):
    newId = re.search('\_(.*).html', link).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 getnewsdetail(link):
        resd = requests.get(link)
        resd.encoding = 'utf-8'
        soupd = BeautifulSoup(resd.text, 'html.parser')

        content=soupd.select('.show-content')[0].text
        info=soupd.select('.show-info')[0].text
        time=re.search('(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})',info).group(1)
        newsdict={}
        newsdict['title']=soup.select('.show-title')[0].text
        if info.find('作者') > 0:
            newsdict['author'] = re.search('作者:((.{2,4}\s|.{2,4}、|.{2,4},|\w*\s){1,5})', info).group(1)
        else:
            newsdict['author'] = 'none'
        if info.find('审核') > 0:
            newsdict['auditing'] = re.search('审核:((.{2,4}\s|.{2,4}、|.{2,4},|\w*\s){1,5})', info).group(1)
        else:
            newsdict['auditing'] = 'none'
        if info.find('来源:') > 0:
            newsdict['source'] = re.search('来源:(.*)\s*摄|点', info).group(1)
        else:
            newsdict['source'] = 'none'
        newsdict['datetime']=datetime.strptime(time,'%Y-%m-%d %H:%M:%S')
        newsdict['click']=getclick(link)
        newsdict['content']=content
        return newsdict



def getlistpage(listlink):
    res=requests.get(listlink)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    pagelist=[]
    for news in soup.select('.new-list')[0].select('li'):
        link = news.a.attrs['href']
        pagedict = getnewsdetail(link)
        pagelist.append(pagedict)
    return pagelist

def getnewstotal(link):
    res=requests.get(link)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    return int(soup.select('.al')[0].text.rstrip(''))//10+1

listlink='http://news.gzcc.cn/html/xiaoyuanxinwen/'
Allfind=[]
pagelist=getlistpage(listlink)
Allfind.extend(pagelist)
listCount=getnewstotal(listlink)
pan = pandas.DataFrame(Allfind)
pan.to_excel('result.xlsx')
pan.to_csv('result.csv')
for i in range(2,listCount):
    listlink='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    Allfind=getlistpage(listlink)

 

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
print(pan[['click', 'sources', 'title']].head(6))
  • 提取‘学校综合办’发布的,‘点击次数’超过3000的新闻。
  • print(pan[(pan['click'] > 3000) & (pan['sources'] == '学校综合办')])

     

  • 提取'国际学院'和'学生工作处'发布的新闻。
  • selectlist = ['国际学院', '学生工作处']
    print(pan[pan['sources'].isin(selectlist)])

     

posted @ 2018-04-12 20:03  150颜杰文  阅读(123)  评论(0编辑  收藏  举报