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("F:/study/大三/大数据/content.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
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)

def getNewDetail(newsUrl):
    news = {}
    rq = requests.get(newsUrl)
    rq.encoding = "utf-8"
    soup = BeautifulSoup(rq.text, 'html.parser')
    content = soup.select("#content")[0].text
    addcontent(content)
    info = soup.select(".show-info")[0].text
    #news["author"] = info[info.find('作者：'):].split()[0].lstrip('作者：')
    Auditing = info[info.find('审核：'):].split()[0].lstrip('审核：')
    photo = info[info.find('摄影：'):].split()[0].lstrip('摄影：')

    news["title"] = soup.select(".show-title")[0].text
    #news["source"] = info[info.find('来源：'):].split()[0].lstrip('来源：')
    from datetime import datetime
    news["datetime"] = datetime.strptime(info.lstrip('发布时间:')[0:19], "%Y-%m-%d %H:%M:%S")
    news["click"] = getClickCount(newsUrl)
    return news

def getListPage(newsurl):
  res = requests.get(newsurl)  # 返回response对象
  res.encoding = 'utf-8'
  soup = BeautifulSoup(res.text, 'html.parser')
  newList = []
  for news in soup.select("li"):
    if (len(news.select('.news-list-info')) > 0):
        newsUrl = news.select('a')[0].attrs['href']
        newDital = getNewDetail(newsUrl)
        newList.append(newDital)
  return newList

newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen'
newsTotal = []
newsTotal.extend(getListPage(newsurl))
n = getPageN(newsurl)
for i in range(2,2):
    newsurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newsTotal.extend(getListPage(newsurl))

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
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。
进取2018年3月的新闻

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

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

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

由于前10条新闻没有3月的，这里直接查询2018-04-11的新闻

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

6. 保存到sqlite3数据库

7. 从sqlite3读数据

import sqlite3

with sqlite3.connect("gzccdb.sqlite") as db:
    df1.to_sql('gzccdb01',con=db,if_exists='replace')

with sqlite3.connect("gzccdb.sqlite") as db:
    df2 = pandas.read_sql_query("select *from gzccdb01",con=db)
print("df2: 
",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')

MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）

import pymysql
from sqlalchemy import create_engine
coon = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df3,"gzccnews",con=coon,if_exists='replace')