【九月打卡】第3天 数据分析体系课学习笔记 part-3 初学Py爬虫

课程名称：数据分析体系课
课程章节：Python实现网络爬虫
课程讲师： DeltaF

课程内容：
什么是爬虫
Requests库入门
认识HTML网页结构
BeautifulSoup库入门
抓取页面信息
获取目标信息
连续获取多个页面信息
整合爬虫功能函数
数据存储与代码优
利用API获取信息
通过API接口获取数据

主要知识点：

1.了解爬虫的基本原理及过程

大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”这样的流程来进行，这其实也是模拟了我们使用浏览器获取网页信息的过程。

简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面之后，我们可以抽取我们想要的那部分信息，并存储在指定的文档或数据库中。

在这部分你可以简单了解 HTTP 协议及网页基础知识，比如 POST\GET、HTML、CSS、JS，简单了解即可，不需要系统学习。

2.学习 Python 包并实现基本的爬虫过程

Python中爬虫相关的包很多：urllib、requests、bs4、scrapy、pyspider 等，建议你从requests+Xpath 开始，requests 负责连接网站，返回网页，Xpath 用于解析网页，便于抽取数据。

如果你用过 BeautifulSoup，会发现 Xpath 要省事不少，一层一层检查元素代码的工作，全都省略了。掌握之后，你会发现爬虫的基本套路都差不多，一般的静态网站根本不在话下，小猪、豆瓣、糗事百科、腾讯新闻等基本上都可以上手了。

来看一个爬取豆瓣短评的例子：

选中第一条短评，右键-“检查”，即可查看源代码

把短评信息的XPath信息复制下来

我们通过定位，得到了第一条短评的XPath信息：

//*[@id="comments"]/ul/li[1]/div[2]/p

但是通常我们会想爬取很多条短评，那么我们会想获取很多这样的XPath信息：

//*[@id="comments"]/ul/li[1]/div[2]/p
//*[@id="comments"]/ul/li[2]/div[2]/p
//*[@id="comments"]/ul/li[3]/div[2]/p
………………………………

观察1、2、2条短评的XPath信息，你会发现规律，只有

通过XPath信息，我们就可以用简单的代码将其爬取下来了：

import requests
from lxml import etree

#我们邀抓取的页面链接
url='https://book.douban.com/subject/1084336/comments/'

#用requests库的get方法下载网页
r=requests.get(url).text

#解析网页并且定位短评
s=etree.HTML(r)
file=s.xpath('//*[@id="comments"]/ul/li/div[2]/p/text()')

#打印抓取的信息
print(file)

爬取的该页面所有的短评信息

当然如果你需要爬取异步加载的网站，可以学习浏览器抓包分析真实请求或者学习Selenium来实现自动化，这样，知乎、时光网、猫途鹰这些动态的网站也基本没问题了。

这个过程中你还需要了解一些Python的基础知识：

文件读写操作：用来读取参数、保存爬下来的内容

list(列表)、dict(字典)：用来序列化爬取的数据

条件判断(if/else)：解决爬虫中的判断是否执行

循环和迭代(for ……while)：用来循环爬虫步骤

3.了解非结构化数据的存储

爬回来的数据可以直接用文档形式存在本地，也可以存入数据库中。

开始数据量不大的时候，你可以直接通过 Python 的语法或 pandas 的方法将数据存为text、csv这样的文件。还是延续上面的例子：

用Python的基础语言实现存储：

with open('pinglun.text','w',encoding='utf-8') as f:
    for i in file:
        print(i)
        f.write(i)

用pandas的语言来存储：

#import pandas as pd
#df = pd.DataFrame(file)
#df.to_excel('pinglun.xlsx')

这两段代码都可将爬下来的短评信息存储起来，把代码贴在爬取代码后面即可。

存储的该页的短评数据

当然你可能发现爬回来的数据并不是干净的，可能会有缺失、错误等等，你还需要对数据进行清洗，可以学习 pandas 包的基本用法来做数据的预处理，得到更干净的数据。以下知识点掌握就好：

• 缺失值处理：对缺失数据行进行删除或填充
• 重复值处理：重复值的判断与删除
• 空格和异常值处理：清楚不必要的空格和极端、异常数据
• 分组：数据划分、分别执行函数、数据重组
  完成后对数据进行分析

课程截图