数据结构化与保存

1. 将新闻的正文内容保存到文本文件。

f=open('123.txt','w',encoding='utf-8')
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)

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import pandas
# res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
# res.encoding = 'utf-8'
# soup = BeautifulSoup(res.text, 'html.parser')


# 获取新闻点击次数
def getNewsId(url):
    #使用正则表达式获得新闻编号
    newsId = re.findall(r'\_(.*).html', url)[0][-4:]
    #生成点击次数的Request URL
    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



def getNewDetail(newsurl):
    # 读取新闻详情
    resDescript = requests.get(newsurl)
    resDescript.encoding = "utf-8"
    soupDescript = BeautifulSoup(resDescript.text, 'html.parser')
    title = soupDescript.select('.show-title')[0].text
    info = soupDescript.select('.show-info')[0].text
    news = {}
    if (info.find('作者') > 0):
        author = re.search('作者：((.{2,20}s|.{2,20}、|.{2,20}，){1,5})', info).group(1)
    else:
        author = 'none'
    if (info.find('审核') > 0):
        right = re.search('审核：((.{2,20}s|.{2,20}、|.{2,20}，){1,5})', info).group(1)
    else:
        right = 'none'
    if (info.find('来源') > 0):
        source = re.search('来源：((.{2,50}s|.{2,50}、|.{2,50}，){1,5})', info).group(1)
    else:
        source = 'none'
    if (info.find('摄影') > 0):
        video = re.search('摄影：((.{2,50}s|.{2,50}、|.{2,50}，){1,5})', info).group(1)
    else:
        video = 'none'
    # author = re.search('作者：((.{2,20}s|.{2,20}、|.{2,20}，){1,5})', info).group(1)
    # right = re.search('审核：(.*)xa0xa0来源：', info).group(1)
    # source = re.search('来源：(.*)xa0xa0xa0xa0摄影：', info).group(1)
    # video = re.search('摄影：(.*)xa0xa0xa0xa0点击：', info).group(1)
    dt = datetime.strptime(info.lstrip('发布时间:')[0:19],'%Y-%m-%d %H:%M:%S')
    content = soupDescript.select('.show-content')[0].text.strip()
    # f.write(content)
    click = getNewsId(newsurl)
    news['content'] = soupDescript.select('.show-content')[0].text.strip()
    news['click'] = getNewsId(newsurl)
    news['newsurl'] = newsurl
    return (news)
    # print(click,title,newsurl,source,dt)
    # print('发布时间：{0}
作者：{1}
审核：{2}
来源：{3}
摄影：{4}
点击次数：{5}'.format(dt, author, right, source, video, click))

def getListPage(listPageUrl):
    res1 = requests.get(listPageUrl)
    res1.encoding = 'utf-8'
    soup = BeautifulSoup(res1.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(getNewDetail(a))
            # getNewDetail(a)
    return  (newsList)

resn = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
resn.encoding = 'utf-8'
soupn = BeautifulSoup(resn.text,'html.parser')
#新闻总篇数
listcount = int(soupn.select('.a1')[0].text.rstrip('条'))
print(listcount)
#新闻总页数
n = int(soupn.select('.a1')[0].text.rstrip('条'))//10+1

newsTotal=[]
firstPage='http://news.gzcc.cn/html/xiaoyuanxinwen/'
newsTotal.extend(getListPage(firstPage))
# f=open('123.txt','w',encoding='utf-8')
#首页
# getListPage('http://news.gzcc.cn/html/xiaoyuanxinwen/')


#最后一页
for i in range(n,n+1):
    pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newsTotal.extend(getListPage(pageUrl))
for news in newsTotal:
    print(news)
df=pandas.DataFrame(newsTotal)
df.to_excel('gzccnews.xlsx')
# f.close()

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

df = pandas.DataFrame(gzccNews)

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_excel('gzccnews.xlsx')

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

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

提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

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

soulist = ['国际学院', '学生工作处']
print(df[df['source'].isin(soulist)])