码迷,mamicode.com
首页 > 其他好文 > 详细

数据结构化与保存

时间:2017-10-18 22:13:01      阅读:227      评论:0      收藏:0      [点我收藏+]

标签:images   text   .com   parser   sqli   div   page   requests   imp   

1.结构化:

  • 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)

2.转换成pandas的数据结构DataFrame

3.从DataFrame保存到excel

4.从DataFrame保存到sqlite3数据库

安装包

技术分享

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

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


def getTheContent(url001):
    res = requests.get(url001)
    res.encoding = utf-8
    soup = BeautifulSoup(res.text, html.parser)
    news={}
    news[url]=url
    news[title]=soup.select(.show-title)[0].text
    info = soup.select(.show-info)[0].text

    news[content]=soup.select(.show-content)[0].text.strip()
    news[click]=getTheUserClick(url001)
    return (news)

def getOnePage(pageurl):
    res = requests.get(pageurl)
    res.encoding = utf-8
    soup = BeautifulSoup(res.text, html.parser)
    newsls=[]
    for news in soup.select(li):
        if len(news.select(.news-list-title)) > 0:
            newsls.append(getTheContent(news.select(a)[0][href]))
    return(newsls)
newstotal=[]
url = http://news.gzcc.cn/html/xiaoyuanxinwen/
res = requests.get(url)
res.encoding = utf-8
soup = BeautifulSoup(res.text, html.parser)
pages = int(soup.select(.a1)[0].text.rstrip())//10+1

for i in range(2,pages+1):
    url001=http://news.gzcc.cn/html/xiaoyuanxinwen/
    newstotal.extend(getOnePage(url001))
df =pandas.DataFrame(newstotal)
df.to_excel(gzccnews.xlsx)
#df.to_docx(‘gzccnews.docx‘)

 技术分享

 

数据结构化与保存

标签:images   text   .com   parser   sqli   div   page   requests   imp   

原文地址:http://www.cnblogs.com/lfsm/p/7689265.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!