数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

def addcontent(content):
    f = open("newsContent.txt", "a")
    f.write('content)
    f.close()

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

• def getNewDetail(newsUrl):
   
      news = {}
      res = requests.get(newsUrl)
      res.encoding = 'utf-8'
      soup = BeautifulSoup(res.text, 'html.parser')
   
      news['title' ]= soup.select(".show-title")[0].text
      news['content'] = soup.select("#content")[0].text
      info = soup.select(".show-info")[0].text
   
      news['dt'] = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')
      if info.find('作者：') > 0:
          news['author'] = info[info.find('作者：'):].split()[0].lstrip('作者：')
      else:
          news['author'] = 'none'
      if info.find('审核：') > 0:
          news['auditing'] = info[info.find('审核：'):].split()[0].lstrip('审核：')
      else:
          news['auditing'] = 'none'
      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('摄影：') > 0:
          news['photo'] = info[info.find('摄影：'):].split()[0].lstrip('摄影：')
      else:
          news['photo'] = 'none'
   
      return news

一个列表页所有单条新闻汇总-->列表newsls.append(news)

def getListPage(pageUrl):
    newsList = []
    res = requests.get(pageUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    for news in soup.select('li'):
        if len(news.select('.news-list-title')) > 0:
            newsUrl = news.select('a')[0].attrs['href']  # URL
            newsList.append(getNewDetail(newsUrl))
    return newsList

所有列表页的所有新闻汇总列表newstotal.extend(newsls)

for i in range(2,n+1):
    print(i)
    pageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newsTotal.extend(getListPage(pageUrl))

3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.

df = pandas.DataFrame(newsTotal)
print(df)
　　

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_excel("gzccNews.xlsx",encoding="utf-8")

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(df[['click','title','source']].head(6))

提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

print(df[(df['click']>3000)&(df['source']=='学校综合办')])

提取'国际学院'和'学生工作处'发布的新闻。

print(df[(df['source']=='国际学院')|(df['source']=='学生工作处')]) 

进取2018年3月的新闻

print(df1['2018-04-11'])

6. 保存到sqlite3数据库

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
df3.to_sql('gzccnews05',con = db, if_exists='replace') 

7. 从sqlite3读数据

with sqlite3.connect('gzccnewsdb.sqlite') as db:
df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db)
print(df2) 

8. df保存到mysql数据库

安装SQLALchemy
安装PyMySQL

MySQL里创建数据库：create database gzccnews charset utf8;

import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')

　　

　　

　　

　　

　　

def getNewDetail(newsUrl):

 

    news = {}

    res = requests.get(newsUrl)

    res.encoding = 'utf-8'

    soup = BeautifulSoup(res.text, 'html.parser')

 

    news['title' ]= soup.select(".show-title")[0].text

    news['content'] = soup.select("#content")[0].text

    info = soup.select(".show-info")[0].text

 

    news['dt'] = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')

    if info.find('作者：') > 0:

        news['author'] = info[info.find('作者：'):].split()[0].lstrip('作者：')

    else:

        news['author'] = 'none'

    if info.find('审核：') > 0:

        news['auditing'] = info[info.find('审核：'):].split()[0].lstrip('审核：')

    else:

        news['auditing'] = 'none'

    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('摄影：') > 0:

        news['photo'] = info[info.find('摄影：'):].split()[0].lstrip('摄影：')

    else:

        news['photo'] = 'none'

 

    return news