粤港澳大湾区7个机场新闻数据的评分系统

===============================

粤港澳大湾区7个机场新闻数据的评分系统

===============================

一、获取网页源代码

1.引入所需库

import requests
import re
import pymysql
import time

2.请求头

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}

3.需要挖取新闻数据的机场

companys = ['广州白云机场', '深圳宝安机场','惠州平潭机场', '佛山沙堤机场', '珠海金湾机场', '香港国际机场', '澳门国际机场']

4.建立挖取某机场新闻的函数,获得该网页的源代码

def baidu(i,company):
    num = (i-1)*10
    url = 'https://www.baidu.com/s?tn=news&rtt=4&bsst=1&cl=2&wd=' + company + '&medium=0&x_bfe_rqs=03E80&tngroupname=organic_news&newVideo=12&rsv_dl=news_b_pn&pn=' + str(num)
    res = requests.get(url, headers=headers).text

二、提取信息并清洗数据

1.提取源代码中所需的网址、标题、新闻来源和发布日期的正则表达式

p_href = '

2.清洗标题及发布日期中的干扰信息

for i in range(len(href)):
    title[i] = title[i].strip()
    title[i] = re.sub('<.*?>', '', title[i])
    date[i] = date[i].split(' ')[0]
    date[i] = re.sub('年', '-', date[i])
    date[i] = re.sub('月', '-', date[i])
    date[i] = re.sub('日', '', date[i])
    if ('小时' in date[i]) or ('分钟' in date[i]):
        date[i] = time.strftime("%Y-%m-%d")
    else:
        date[i] = date[i]

三、对新闻标题和新闻正文进行评分

score = []
keywords1 = ['正常', '涨停', '增加', '超过', '增大', '通过', '恢复', '涨幅', '优质', '首个', '迈入']
keywords2 = ['违约', '诉讼', '下降', '阻碍', '空难', '噪音', '扰民', '黑幕']
for i in range(len(title)):
    num = 0
    # 1.获取新闻正文
    try:
        article = requests.get(href[i], headers=headers, timeout=10).text
    except:
        article = '新闻爬取失败'
    # 2.解决新闻正文中可能出现的乱码问题
    try:
        article = article.encode('ISO-8859-1').decode('utf-8')  # 解码为UTF-8
    except:
        try:
            article = article.encode('ISO-8859-1').decode('gbk')  # 解码为GBK
        except:
            article = article  # 保持本身的编码
    # 3.筛选新闻正文中真正的正文内容,忽略旁边的滚动新闻的内容
    p_article = '

(.*?)

' article_main = re.findall(p_article, article) # 获取

标签里的正文信息,结果是一个列表 article = ''.join(article_main) # 将列表转换成为字符串 for k in keywords1: if (k in article) or (k in title[i]): num += 5 score.append(num) for L in keywords2: if (L in article) or (L in title[i]): num -= 5 score.append(num)

四、将数据存入MySQL数据库

for i in range(len(title)):
    db = pymysql.connect(host='localhost', port=3306, user='root', password='', database='pachong', charset='utf8')
    cur = db.cursor()
    sql = 'INSERT INTO article(company,title,href,source,date,score) VALUES (%s,%s,%s,%s,%s,%s)'
    cur.execute(sql, (company, title[i], href[i], source[i], date[i], score[i]))
    db.commit()
    cur.close()
    db.close()

五、批量爬取7个机场每个机场5页共35页百度网的数据并存入MySQL数据库

for company in companys:
    for i in range(5):
        baidu(i, company)
        print(company + '第' + str(i+1) + "页爬取成功")

最终结果

粤港澳大湾区7个机场新闻数据的评分系统_第1张图片

附上所有代码

# ===============================
# 粤港澳大湾区7个机场新闻数据的评分系统
# ===============================
# 一、获取网页源代码
# 1.引入所需库
import requests
import re
import pymysql
import time
# 2.请求头
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
# 3.需要挖取新闻数据的机场
companys = ['广州白云机场', '深圳宝安机场', '惠州平潭机场', '佛山沙堤机场', '珠海金湾机场', '香港国际机场', '澳门国际机场']
# 4.建立挖取某机场新闻的函数,获得该网页的源代码
def baidu(i,company):
    num = (i-1)*10
    url = 'https://www.baidu.com/s?tn=news&rtt=4&bsst=1&cl=2&wd=' + company + '&medium=0&x_bfe_rqs=03E80&tngroupname=organic_news&newVideo=12&rsv_dl=news_b_pn&pn=' + str(num)
    res = requests.get(url, headers=headers).text

# 二、提取信息并清洗数据
# 1.提取源代码中所需的网址、标题、新闻来源和发布日期的正则表达式
    p_href = '

', '', title[i]) date[i] = date[i].split(' ')[0] date[i] = re.sub('年', '-', date[i]) date[i] = re.sub('月', '-', date[i]) date[i] = re.sub('日', '', date[i]) if ('小时' in date[i]) or ('分钟' in date[i]): date[i] = time.strftime("%Y-%m-%d") else: date[i] = date[i] # 三、对新闻标题和新闻正文进行评分 score = [] keywords1 = ['正常', '涨停', '增加', '超过', '增大', '通过', '恢复', '涨幅', '优质', '首个', '迈入'] keywords2 = ['违约', '诉讼', '下降', '阻碍', '空难', '噪音', '扰民', '黑幕'] for i in range(len(title)): num = 0 # 1.获取新闻正文 try: article = requests.get(href[i], headers=headers, timeout=10).text except: article = '新闻爬取失败' # 2.解决新闻正文中可能出现的乱码问题 try: article = article.encode('ISO-8859-1').decode('utf-8') # 解码为UTF-8 except: try: article = article.encode('ISO-8859-1').decode('gbk') # 解码为GBK except: article = article # 保持本身的编码 # 3.筛选新闻正文中真正的正文内容,忽略旁边的滚动新闻的内容 p_article = '

(.*?)

' article_main = re.findall(p_article, article) # 获取

标签里的正文信息,结果是一个列表 article = ''.join(article_main) # 将列表转换成为字符串 for k in keywords1: if (k in article) or (k in title[i]): num += 5 score.append(num) for L in keywords2: if (L in article) or (L in title[i]): num -= 5 score.append(num) # 四、将数据存入MySQL数据库 for i in range(len(title)): db = pymysql.connect(host='localhost', port=3306, user='root', password='', database='pachong', charset='utf8') cur = db.cursor() sql = 'INSERT INTO article(company,title,href,source,date,score) VALUES (%s,%s,%s,%s,%s,%s)' cur.execute(sql, (company, title[i], href[i], source[i], date[i], score[i])) db.commit() cur.close() db.close() # 五、批量爬取7个机场每个机场5页共35页百度网的数据并存入MySQL数据库 for company in companys: for i in range(5): baidu(i, company) print(company + '第' + str(i+1) + "页爬取成功")

你可能感兴趣的:(mysql,数据库,sql,概率论,动态规划)