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 writeNewsDetails(contents):
    f = open('gzccnews.txt', 'a', encoding='utf-8')
    f.write(contents)
    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)

• 复制代码
  def getClickCount(newsUrl):
      newId = re.search('\_(.*).html', newsUrl).group(1).split('/')[-1]
      res = requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newId))
      res.encoding = 'utf-8'
      count = int(res.text.split('.html')[-1].lstrip("('").rstrip("');"))
      return count
  def getNewDetail(newsUrl):
      res = requests.get(newsUrl)
      res.encoding = 'utf-8'
      soup = BeautifulSoup(res.text, 'html.parser')
      news = {}
      news['title'] = soup.select('.show-title')[0].text
      # info = soup.select('.show-info')[0].text.split()
      info = soup.select('.show-info')[0].text
      content = soup.select('#content')[0].text
      # writeFile(content)
      # print(soup.select('#content')[0].text)
      s = info.split()[0].lstrip('发布时间:') + " " + info.split()[1]  # 发布时间
      # zz = info[2].lstrip('作者：')  #作者
      # sh = info[3].lstrip('审核：')  #审核
      # ly = info[4].lstrip("来源：")  #来源
      if info.find('来源：') > 0:
          news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')
      else:
          news['source'] = 'none'
      news['time'] = datetime.strptime(s, '%Y-%m-%d %H:%M:%S')
      news['clickCount'] = getClickCount(newsUrl)
      news['newsUrl']= newsUrl
      # print(cc,type(cc))
      print(news)
      return news
   
  def getListPage(pageUrl):
      res = requests.get(pageUrl)
      res.encoding = 'utf-8'
      soup = BeautifulSoup(res.text, 'html.parser')
      newslist = []
      for news in soup.select('li'):
          if len(news.select('.news-list-title')) > 0:
              a = news.select('a')[0].attrs['href']  # URL
              newslist.append(getNewDetail(a))
      return newslist
    
    
  def getPageN():
      res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
      res.encoding = 'utf-8'
      soup = BeautifulSoup(res.text, 'html.parser')
      pagenumber=int(soup.select('.a1')[0].text.rstrip('条'))
      page = pagenumber//10+1
      return page
    
    
  print(getPageN())
    
  firstUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen'
  res = requests.get(firstUrl)
  res.encoding = 'utf-8'
    
  n=getPageN()
  newstotal = []
  for i in range(2,4):
      print(i)
      listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
      temp = getListPage(listPageUrl)
      newstotal.extend(temp)
  复制代码
  

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

• df = pandas.DataFrame(newsTotal)
  print(df)
  

  　　4. 通过df将提取的数据保存到csv或excel 文件。

• df.to_csv('gzccnews.csv')
  df.to_excel('gzccnews.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
  • 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。
  • 进取2018年3月的新闻

  • print(df[['title','clickCount','source']][:6])
     
    print(df[(df['clickCount']>3000)&(df['source']=='学校综合办')])
     
    sou = ['国际学院','学生工作处']
    print(df[df['source'].isin(sou)])
     
    # 进取2018年3月的新闻
    df1 = df.set_index('time')
    print(df1['2018-03'])
    

    　　

    6. 保存到sqlite3数据库

    import sqlite3
    with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df3.to_sql('gzccnews05',con = db, if_exists='replace')

  • import sqlite3
    with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df3.to_sql('gzccnews05',con = db, if_exists='replace')
    

    　　

    7. 从sqlite3读数据

    with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db)
    print(df2)

  • with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db)
    print(df2)
    

    　　

    8. df保存到mysql数据库

    安装SQLALchemy
    安装PyMySQL
    MySQL里创建数据库：create database gzccnews charset utf8;

    import pymysql
    from sqlalchemy import create_engine
    conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
    pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')

    MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）