首页 > 其他 > 详细

数据结构化与保存

时间:2018-04-16 20:11:03      阅读:169      评论:0      收藏:0      [点我收藏+]

1. 将新闻的正文内容保存到文本文件

def writeNewsDetail(content):
    f=open(gzcc.txt,a,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


def writeNewsDetail(content):
    f = open(gzccNews.txt, a,encoding=utf-8)
    f.write(content)
    f.close()


def getClickCount(newsUrl):  #一篇新闻的点击次数
    newId = re.search(\_(.*).html, newsUrl).group(1).split(/)[1]
    clickUrl = "http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
    return (int(requests.get(clickUrl).text.split(.html)[-1].lstrip("(‘").rstrip("‘);")))


def getNewsDetail(newsUrl):  #一篇新闻的全部信息
    resd = requests.get(newsUrl)
    resd.encoding = utf-8
    soupd = BeautifulSoup(resd.text, html.parser) 

    news ={}
    news[title] = soupd.select(.show-title)[0].text
    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)
    if info.find(来源:) > 0: 
        news[source] = info[info.find(来源:):].split()[0].lstrip(来源:)
    else:
        news[source] = none
    news[content] = soupd.select(.show-content)[0].text.strip()
    #writeNewsDetail(news[‘content‘])
    news[click] = getClickCount(newsUrl)
    news[newsUrl] = newsUrl
    return(news)


def getListPage(pageUrl):  #一个列表页的全部新闻
    res = requests.get(pageUrl)
    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:
            newsUrl = news.select(a)[0].attrs[href]  
            newsList.append(getNewsDetail(newsUrl))
    return(newsList)


def getPageN():  # 新闻列表页的总页数
    res = requests.get(http://news.gzcc.cn/html/xiaoyuanxinwen/)
    res.encoding = utf-8
    soup = BeautifulSoup(res.text, html.parser)
    n = int(soup.select(.a1)[0].text.rstrip())
    return (n // 10 + 1)

newsTotal = []
firstPageUrl = http://news.gzcc.cn/html/xiaoyuanxinwen/
newsTotal.extend(getListPage(firstPageUrl))

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

print(newsTotal)

 

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

 df = pandas.DataFrame(newsTotal)

 

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_excel("news.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
  • 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。
df.head(6)
df[[click,title,source]]
df[(df[click]>3000) | (df[source]==学校综合办)]
list=[学生工作处,国际学院]

 print(df[df[sources].isin(list)])

 

数据结构化与保存

原文:https://www.cnblogs.com/126lc/p/8858103.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!