数据结构化与保存

标签：.sh   app   src   select   列表   结构   来源   dataframe   etc   

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

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


def getclick(url):
id=re.search(‘_(.*).html‘,url).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 getdetail(url):
resd=requests.get(url)
resd.encoding=‘utf-8‘
soupd=BeautifulSoup(resd.text,‘html.parser‘)
news={}
news[‘title‘]=soupd.select(‘.show-title‘)[0].text
news[‘url‘]=url
info=soupd.select(‘.show-info‘)[0].text
#news[‘dt‘]=datetime.strptime(info.lstrip(‘发布时间:‘)[0:19],‘%Y-%m-%d %H:%M:‘)
#news[‘source‘]=re.search(‘来源:(.*)点击‘,info).group(1).strip()

news[‘content‘]=soupd.select(‘.show-content‘)[0].text.strip()
news[‘click‘]=getclick(url)
return(news)

def onepage(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(getdetail(news.select(‘a‘)[0][‘href‘]))
return(newsls)

ns=[]
gzccurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
ns.extend(onepage(gzccurl))
res=requests.get(gzccurl)
res.encoding=‘utf-8‘
soup = BeautifulSoup(res.text,‘html.parser‘)

pages=int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))//10+1

for i in range(2,3):
listurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
ns.extend(onepage(listurl))

df=pandas.DataFrame(ns)
print(df.head())
df.to_excel(‘gzccnews.xlsx‘)

运行结果：

数据结构化与保存

标签：.sh   app   src   select   列表   结构   来源   dataframe   etc   

原文地址：http://www.cnblogs.com/sisters/p/7691333.html