码迷,mamicode.com
首页 > 其他好文 > 详细

数据结构化与保存

时间:2018-04-12 22:26:31      阅读:212      评论:0      收藏:0      [点我收藏+]

标签:匹配   range   soup   text   check   次数   正则表达式   内容   taf   

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。

 

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


# 获取新闻点击次数
def getnewsclick(url):
    newsId = re.search(r\_\d{4}\/(.*).html, url).group(1)
    clickUrl = http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80.format(newsId)
    clickRes = requests.get(clickUrl)
    # 利用正则表达式获取新闻点击次数
    clickCount = int(re.search("hits‘\).html\(‘(.*)‘\);", clickRes.text).group(1))
    return clickCount


# 获取新闻细节
def getnewsdetail(newsurl):
    resd = requests.get(newsurl)
    resd.encoding = utf-8
    soupd = BeautifulSoup(resd.text, html.parser)
    newsDict = {}
    content = soupd.select(#content)[0].text
    info = soupd.select(.show-info)[0].text
    newsDict[title] = soupd.select(.show-title)[0].text
    date = re.search((\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2}), info).group(1)  # 识别时间格式
    # 识别一个至三个数据
    if info.find(作者) > 0:
        newsDict[author] = re.search(作者:((.{2,4}\s|.{2,4}、){1,3}), info).group(1)
    else:
        newsDict[author] = none
    if info.find(审核) > 0:
        newsDict[check] = re.search(审核:((.{2,4}\s){1,3}), info).group(1)
    else:
        newsDict[check] = none
    if info.find(来源) > 0:
        first = re.search(来源:(.*)\s*点, info).group(1)
        if first.find(摄影) > 0:
            newsDict[sources] = re.search((.*)\s*摄, first).group(1)  # 解决新闻有摄影无法匹配正则的问题
        else:
            newsDict[sources] = first
    else:
        newsDict[sources] = none
    if info.find(摄影) > 0:
        newsDict[photo] = re.search(摄影:(.*)\s*点, info).group(1)
    else:
        newsDict[photo] = none
    newsDict[dateTime] = datetime.strptime(date, %Y-%m-%d %H:%M:%S)  # 用datetime将时间字符串转换为datetime类型
    newsDict[click] = getnewsclick(newsurl)  # 调用getnewsclick()获取点击次数
    newsDict[content] = content
    return newsDict


def getlistpage(listurl):  # 获取一页的新闻,转换成列表返回
    res = requests.get(listurl)
    res.encoding = utf-8
    listsoup = BeautifulSoup(res.text, html.parser)
    pagelist = []
    for new in listsoup.select(.news-list)[0].select(li):
        newsUrl = new.select(a)[0][href]
        pagedict = getnewsdetail(newsUrl)  # 调用getnewsdetail()获取新闻详情
        pagelist.append(pagedict)
        # break
    return pagelist


def gettotalpage(listurl):  # 获取总新闻页面
    res = requests.get(listurl)
    res.encoding = utf-8
    soup = BeautifulSoup(res.text, html.parser)
    return int(soup.select(.a1)[0].text.rstrip()) // 10 + 1


total = []
listUrl = http://news.gzcc.cn/html/xiaoyuanxinwen/
pagelist = getlistpage(listUrl)
total.extend(pagelist)
listCount = gettotalpage(listUrl)
pan = pandas.DataFrame(total)
pan.to_excel(result.xlsx)  # 导出为Excel表格
pan.to_csv(result.csv)  # 导出为csv文件
for i in range(2,listCount):
    listUrl= http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html.format(i)
    total = getlistpage(listUrl)

 

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
  • print(pan[[‘click‘, ‘sources‘, ‘title‘]].head(6))
  • 提取‘学校综合办’发布的,‘点击次数’超过3000的新闻。
  • print(pan[(pan[‘click‘] > 3000) & (pan[‘sources‘] == ‘学校综合办‘)])
  • 提取‘国际学院‘和‘学生工作处‘发布的新闻。
  • selectlist = [‘国际学院‘, ‘学生工作处‘]
    print(pan[pan[‘sources‘].isin(selectlist)])

数据结构化与保存

标签:匹配   range   soup   text   check   次数   正则表达式   内容   taf   

原文地址:https://www.cnblogs.com/hhmk/p/8810413.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!