数据结构化与保存

标签：.com   arc   etl   attrs   imp   one   alt   data   文章   

1. 将新闻的正文内容保存到文本文件。

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。

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。
  

  import requests
  from bs4 import BeautifulSoup
  from datetime import datetime
  import re
  import pandas
  
  #获取点击次数
  def getClickCount(newsUrl):
      newId=re.search(‘\_(.*).html‘,newsUrl).group(1).split(‘/‘)[1]
      clickUrl="http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
      clickStr = requests.get(clickUrl).text
      count = re.search("hits‘\).html\(‘(.*)‘\);", clickStr).group(1)
      return count
  
  #获取新闻详情
  def getNewsDetail(newsurl):
      resd=requests.get(newsurl)
      resd.encoding=‘utf-8‘
      soupd=BeautifulSoup(resd.text,‘html.parser‘)
  
      news={}
      news[‘title‘]=soupd.select(‘.show-title‘)[0].text
      # news[‘newsurl‘]=newsurl
      info=soupd.select(‘.show-info‘)[0].text
      news[‘dt‘]=datetime.strptime(info.lstrip(‘发布时间:‘)[0:19],‘%Y-%m-%d %H:%M:%S‘)
      news[‘click‘] = int(getClickCount(newsurl))
      if info.find(‘来源‘)>0:
          news[‘source‘] =info[info.find(‘来源：‘):].split()[0].lstrip(‘来源：‘)
      else:
          news[‘source‘]=‘none‘
      if info.find(‘作者：‘) > 0:
          news[‘author‘] = info[info.find(‘作者：‘):].split()[0].lstrip(‘作者：‘)
      else:
          news[‘author‘] = ‘none‘
      # news[‘content‘]=soupd.select(‘.show-content‘)[0].text.strip()
  
      #获取文章内容并写入到文件中
      content=soupd.select(‘.show-content‘)[0].text.strip()
      writeNewsContent(content)
  
      return news
  
  def getListPage(listPageUrl):
      res=requests.get(listPageUrl)
      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‘]
              newsList.append(getNewsDetail(a))
      return (newsList)
  
  #数据写入文件
  def writeNewsContent(content):
      f=open(‘gzccNews.txt‘,‘a‘,encoding=‘utf-8‘)
      f.write(content)
      f.close()
  
  def getPageNumber():
      ListPageUrl="http://news.gzcc.cn/html/xiaoyuanxinwen/"
      res=requests.get(ListPageUrl)
      res.encoding=‘utf-8‘
      soup=BeautifulSoup(res.text,‘html.parser‘)
      n = int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))//10+1
      return n
  
  
  newsTotal=[]
  firstPage=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
  newsTotal.extend(getListPage(firstPage))
  
  n=getPageNumber()
  for i in range(n,n+1):
      listUrl= ‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
      newsTotal.extend(getListPage(listUrl))
  
  df=pandas.DataFrame(newsTotal)
  # df.to_excel("news.xlsx")
  
  # print(df.head(6))
  # print(df[[‘author‘,‘click‘,‘source‘]])
  # print(df[df[‘click‘]>3000])
  
  sou=[‘国际学院‘,‘学生工作处‘]
  print(df[df[‘source‘].isin(sou)])

  

  截图：
  数据保存到Excel文件：

  提取前六行数据：

  

  提取‘国际学院‘和‘学生工作处‘发布的新闻：
  

  提取‘学校综合办’发布的，‘点击次数’超过3000的新闻：
  

   

数据结构化与保存

标签：.com   arc   etl   attrs   imp   one   alt   data   文章   

原文地址：https://www.cnblogs.com/zhu573514187/p/8810405.html