數據結構化與保存

1. 將新聞的正文內容保存到文本文件。

2. 將新聞數據結構化爲字典的列表:

• 單條新聞的詳情-->字典news
• 一個列表頁全部單條新聞彙總-->列表newsls.append(news)
• 全部列表頁的全部新聞彙總列表newstotal.extend(newsls)

3. 安裝pandas，用pandas.DataFrame(newstotal)，建立一個DataFrame對象df.

4. 經過df將提取的數據保存到csv或excel 文件。

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


# 獲取新聞點擊次數
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)
    # 利用正則表達式獲取新聞點擊次數
    clickCount = int(re.search("hits'\).html\('(.*)'\);", clickRes.text).group(1))
    return clickCount


# 獲取新聞細節
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)  # 識別時間格式
    # 識別一個至三個數據
    if info.find('做者') > 0:
        newsDict['author'] = re.search('做者：((.{2,4}\s|.{2,4}、){1,3})', info).group(1)
    else:
        newsDict['author'] = 'none'
    if info.find('審覈') > 0:
        newsDict['check'] = re.search('審覈：((.{2,4}\s){1,3})', info).group(1)
    else:
        newsDict['check'] = 'none'
    if info.find('來源') > 0:
        first = re.search('來源：(.*)\s*點', info).group(1)
        if first.find('攝影') > 0:
            newsDict['sources'] = re.search('(.*)\s*攝', first).group(1)  # 解決新聞有攝影沒法匹配正則的問題
        else:
            newsDict['sources'] = first
    else:
        newsDict['sources'] = 'none'
    if info.find('攝影') > 0:
        newsDict['photo'] = re.search('攝影：(.*)\s*點', info).group(1)
    else:
        newsDict['photo'] = 'none'
    newsDict['dateTime'] = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')  # 用datetime將時間字符串轉換爲datetime類型
    newsDict['click'] = getnewsclick(newsurl)  # 調用getnewsclick()獲取點擊次數
    newsDict['content'] = content
    return newsDict


def getlistpage(listurl):  # 獲取一頁的新聞，轉換成列表返回
    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)  # 調用getnewsdetail()獲取新聞詳情
        pagelist.append(pagedict)
        # break
    return pagelist


def gettotalpage(listurl):  # 獲取總新聞頁面
    res = requests.get(listurl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    return int(soup.select('.a1')[0].text.rstrip('條')) // 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')  # 導出爲Excel表格
pan.to_csv('result.csv')  # 導出爲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提供的函數和方法進行數據分析：

• 提取包含點擊次數、標題、來源的前6行數據

• print(pan[['click', 'sources', 'title']].head(6))

   

• 提取‘學校綜合辦’發佈的，‘點擊次數’超過3000的新聞。

• print(pan[(pan['click'] > 3000) & (pan['sources'] == '學校綜合辦')])

   

• 提取'國際學院'和'學生工做處'發佈的新聞。

• selectlist = ['國際學院', '學生工做處']
  print(pan[pan['sources'].isin(selectlist)])