码迷,mamicode.com
首页 > 其他好文 > 详细

数据结构化与保存

时间:2017-10-19 19:53:49      阅读:203      评论:0      收藏:0      [点我收藏+]

标签:链接   strip()   model   div   requests   时间   rip   frame   结构化   

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
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
import sqlite3
 
 
def getclick(url):#给定单条新闻链接,返回点击次数
    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):#给定单条新闻链接,返回新闻细节的字典
    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):#给定新闻列表页的链接,返回该页所有新闻细节字典的列表
    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())//10+1#新闻列表页的总页数
 
for i in range(2,3):
    listurl=http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html.format(i)
    ns.extend(onepage(listurl))#后面的每一个列表页
 
df=pandas.DataFrame(ns)#转换成pandas的数据结构DataFrame
print(df.head())
df.to_excel(gzccnews.xlsx)#从DataFrame保存到excel
with sqlite3.connect(gzccnewsdbl.sqlite)as db:#从DataFrame保存到sqlite3数据库
    df.to_sql(gzccnewsdb1,con=db)

技术分享

技术分享

 

数据结构化与保存

标签:链接   strip()   model   div   requests   时间   rip   frame   结构化   

原文地址:http://www.cnblogs.com/zhoujinpeng/p/7694044.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!