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 writeDetailNews(content):
    f = open(‘gzccnews.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)

#获取新闻详情
def getNewDetail(newsDetailUrl):
    detail_res = requests.get(newsDetailUrl)
    detail_res.encoding = "utf-8"
    detail_soup = BeautifulSoup(detail_res.text, "html.parser")
 
    news={}
    news[‘title‘] = detail_soup.select(".show-title")[0].text
    info = detail_soup.select(".show-info")[0].text
    news[‘date_time‘] = datetime.strptime(info.lstrip(‘发布时间:‘)[: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‘] = detail_soup.select("#content")[0].text.strip();
 
    writeDetailNews(news[‘content‘])
    news[‘click‘] = getClickCount(newsDetailUrl)
    news[‘newsUrl‘] = newsDetailUrl
    return(news)

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

import pandas
newstotal = [{}]
df = pandas.DataFrame(newstotal)

4. 通过df将提取的数据保存到csv或excel 文件。

import openpyxl
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

• print(df[[‘title‘,‘clickCount‘,‘source‘]][:6])

   

• 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。

•     
  print(df[(df[‘clickCount‘]>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。

• new = [‘国际学院‘,‘学生工作处‘]
  print(df[df[‘source‘].isin(new )])

   

• 进取2018年3月的新闻

• news = df.set_index(‘time‘)
  print(news[‘2018-03‘])

   

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‘)

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