码迷,mamicode.com
首页 > 其他好文 > 详细

数据结构化与保存

时间:2017-10-19 21:18:52      阅读:262      评论:0      收藏:0      [点我收藏+]

标签:http   span   pre   click   orm   ota   时间   connect   .sql   

1.结构化:

  • 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)

2.转换成pandas的数据结构DataFrame

3.从DataFrame保存到excel

4.从DataFrame保存到sqlite3数据库

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)

def getclick(newsurl):
    id=re.search(_(.*).html,newsurl).group(1).split(/)[1]
    clickurl=http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80.format(id)
    click=int(requests.get(clickurl).text.split(.)[-1].lstrip("html(‘").rstrip("‘);"))
    return click

def getdetail(url):
    resd=requests.get(url)
    resd.encoding=utf-8
    soupd=BeautifulSoup(resd.text,html.parser)
    news={}
    news[url]=url
    news[title]=soupd.select(.show-title)[0].text
    info=soupd.select(.show-info)[0].text
    #news[dt]=datetime.strptime(info.lstrip(发表时间:)[0:19],%Y-%m-%d %H:%M:%S)
    #news[source]=re.search(来源:(.*)点击,info).group(1).strip()
    news[click]=getclick(url)
    return (news)

def onepage(pageurl):
    res=requests.get(pageurl)
    res.encoding=utf-8
    soup=BeautifulSoup(res.text,html.parser)
    newsls=[]
    for news in soup.select(li):
        if len(news.select(.news-list-title))>0:
            newsls.append(getdetail(news.select(a)[0][href]))
    return (newsls)

newstotal=[]
newstotal.extend(onepage(http://news.gzcc.cn/html/xiaoyuanxinwen/))
n=int(soup.select(.a1)[0].text.rstrip())
pages=n//10+1

for i in range(2,3):
    listurl=http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html.format(i)
    newstotal.extend(onepage(listurl))

#print(len(newstotal))
df=pandas.DataFrame(newstotal)
print(df.head())
print(df[title])
df.to_excel(gzccnews.xlsx)
#with sqlite3.connect(gzccnewsdb2.sqlite) as db:
#df.to_sql(gzccnewsdb2,con=db)

技术分享

从DataFrame保存到excel:

技术分享

 

数据结构化与保存

标签:http   span   pre   click   orm   ota   时间   connect   .sql   

原文地址:http://www.cnblogs.com/chenyuanzhao/p/7694623.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!