结构安排
一至十八是第一部分;
十九至二十六是第二部分。
一、大数据时代的挑战
数据抽取、转换、存储 (Data ETL)
- 原始资料:Raw Data
- ETL脚本:ETL Scipt
- 结构化数据:Tidy Data
二、非结构化数据处理与网络爬虫
- 网页链接器(Web Connector)向目标网页发出请求(request);
- 目标网页将响应(response)发送给网页链接器(Web Connector);
- 对收到的响应进行资料剖析(Data Parser),剖析成结构化数据;
- 将结构化数据存入数据中心(Data Center)
三、了解网络爬虫背后的秘密
- 浏览器内建的开发人员工具
- requests
- BeautifulSoup4 (注意,BeautifulSoup4和BeautifulSoup是不一样的)
- jupyter
jupyter中编辑的文件会保存在用户的家目录下,例如在windows中就会是
C:\Users\username
以Chrome为例,抓取前的分析步骤如图:
抓取前的分析.png
- 按
F12
进入到开发者工具; - 点击
Network
; 刷新页面
;- 找到
Doc
; - 找到左边
Name
这一栏的第一个(需要爬去的链接90%的情况都是第一个); - 点击右边的
Headers
; - 找到请求的URL和请求方式。
四、撰写第一只网络爬虫
Requests库
- 网络资源撷取套件
- 改善Urllib2的缺点,让使用者以最简单的方式获取网络资源
- 可以使用REST操作存取网络资源
jupyter
使用jupyter来抓取网页并打印在浏览器中,再按Ctrl-F
查找对应的内容,以确定我们要爬去的内容在该网页中。
HelloWorld
import requests
res = requests.get(‘http://www.sina.com.cn/‘)
res.encoding = ‘utf-8‘
print(res.text)
五、用BeautifulSoup4剖析网页元素
from bs4 import BeautifulSoup
html_sample = ‘ <html> <body> <h1 id="title">Hello World</h1> <a href="#" class="link">This is link1</a> <a href="# link2" class="link">This is link2</a> </body> </html>‘
soup = BeautifulSoup(html_sample, ‘html.parser‘)
print(soup.text)
六、BeautifulSoup基础操作
使用select找出含有h1标签的元素
soup = BeautifulSoup(html_sample)
header = soup.select(‘h1‘)
print(header)
print(header[0])
print(header[0].text)
使用select找出含有a的标签
soup = BeautifulSoup(html_sample, ‘html.parser‘)
alink = soup.select(‘a‘)
print(alink)
for link in alink:
print(link)
print(link.txt)
使用select找出所有id为title的元素(id前面需要加#)
alink = soup.select(‘#title‘)
print(alink)
使用select找出所有class为link的元素(class前面需要加.)
soup = BeautifulSoup(html_sample)
for link in soup.select(‘.link‘):
print(link)
使用select找出所有a tag的href链接
alinks = soup.select(‘a‘)
for link in alinks:
print(link[‘href‘]) # 原理:会把标签的属性包装成字典
a = ‘<a href="#" qoo=123 abc=456> i am a link</a>‘
soup2 = BeautifulSoup(a, ‘html.parser‘)
print(soup2.select(‘a‘))
print(soup2.select(‘a‘)[0])
print(soup2.select(‘a‘)[0][‘qoo‘])
七、观察如何抓取新浪新闻信息
关键在于寻找CSS定位
- Chrome开发人员工具(进入开发人员工具后,左上角点选元素观测,就可以看到了)
Chrome寻找元素定位.png
- Firefox开发人员工具
- InfoLite(需FQ)
八、制作新浪新闻网络爬虫
抓取时间、标题、内容
import requests
from bs4 import BeautifulSoup
res = requests.get(‘http://news.sina.com.cn/china‘)
res.encoding = ‘utf-8‘
soup = BeautifulSoup(res.text, ‘html.parser‘)
for news in soup.select(‘.news-item‘):
if (len(news.select(‘h2‘)) > 0):
h2 = news.select(‘h2‘)[0].text
time = news.select(‘.time‘)[0].text
a = news.select(‘a‘)[0][‘href‘]
print(time, h2, a)
九、抓取新闻内文页面
新闻网址为:http://news.sina.com.cn/c/nd/2016-08-20/doc-ifxvctcc8121090.shtml
内文资料信息说明.png
取得内文页面的步骤和三、了解网络爬虫背后的秘密
相同。
十、取得新闻内文标题
寻找标题的CSS定位同七、观察如何抓取新浪新闻信息
中步骤一致。
soup.select(‘#artibodyTitle‘)[0].text # 抓取标题
十一、取得新闻发布时间
时间和来源.png
timesource = soup.select(‘.time-source‘)[0].contents[0].strip() # 抓取时间
时间和字符串转换
from datetime import datetime
// 字符串转时间 --- strptime
dt = datetime.strptime(timesource, ‘%Y年%m月%d日%H:%M‘)
// 时间转字符串 --- strftime
dt.strftime(%Y-%m-%d)
十二、处理新闻来源信息
medianame = soup.select(‘.time-source span a‘)[0].text # 抓取来源
十三、整理新闻内文
每一步的步骤分析如下:
抓取内文1.png
抓取内文2.png
抓取内文3.png
去掉最后一行的编辑者信息。
抓取内文4.png
抓取内文5.png
去掉空格。
抓取内文6.png
抓取内文7.png
将空格替换成
\n
,这里可以自行替换成各种其他形式。
抓取内文8.png
简写为一句话。
十四、撷取新闻编辑者名称
editor = soup.select(‘.article-editor‘)[0].text.lstrip(‘责任编辑:‘)
十五、抓取新闻评论数
常规方法抓取评论
常规方法抓取,会发现评论数为空。
不能采取常规办法了
因此猜想,评论是是通过JS代码传过来的;
那么接着猜,既然是JS,那么通过AJAX传过来的概率很高,于是点到XHR
中看,但是发现Response中没有出现总评论数208
;
然后就只能去JS
里面了,地毯式搜索,找哪个Response里出现了总评论数208
,终于找到了。
找到链接和请求方式
因此可以兑现代码了
兑现代码1
兑现代码2
可以发现通过
newsid
传了参数过来,而这个id可以通过请求页面的URL得知;
除此之外,还有一个jsvar=loader_xxxxx
也传过来了一个很像时间戳的参数,这个不太好猜,于是把这个请求参数去掉试试看。
去掉后
去掉后,查看内容,跟上面对比,并没有大的差别。因此可以给它去掉。
图中的var data={......}
看着很像是个json
串。
有var data=
无var data=
去掉
var data=
,使其变为json
串。
包装成json
可以看到,
jd
串中就是评论的信息了。
回到Chrome开发工具
回到Chrome开发工具中,这样浏览
jd
中的信息会比较快。
Done
总评论数这时候变成了217而不是开始的208,是因为延时的关系,即操作的这段时间有9个用户又评论了。
十六、剖析新闻标识符
方式1:切割法
newsurl = ‘http://news.sina.com.cn/c/nd/2016-08-20/doc-ifxvctcc8121090.shtml‘
newsid = newsurl.split(‘/‘)[-1].rstrip(‘.shtml‘).lstrip(‘doc-i‘)
newsid
方式2:正则表达式
import re
m = re.search(‘doc-i(.*).shtml‘, newsurl)
print(m.group(0)) # doc-ifxvctcc8121090.shtml
print(m.group(1)) # fxvctcc8121090
十七、建立评论数抽取函式
做一个总整理,把刚刚取得评论数的方法整理成一个函式。之后有新闻网页的链接丢进来,可以通过这个函式去取得它的总评论数。
commentURL = ‘http://comment5.new.sina.com.cn/page/info?aaa=bbb......&newsid=comos-{}&xxx=yyy&...‘
注意上面的
&newsid=comos-{}
newsid = fxvctcc8121090
commentURL.format(newsid)
此时commentURL会变为
http://comment5.new.sina.com.cn/page/info?aaa=bbb......&newsid=comos-fxvctcc8121090&xxx=yyy&...
;成功完成格式化。
import re
import requests
import json
def getCommentCounts(newsurl):
m = re.search(‘doc-i(.*).shtml‘, newsurl)
newsid = m.group(1) # fxvctcc8121090
comments = requests.get(commentURL.format(newsid))
jd = json.loads(comments.text.strip(‘var data=‘))
return jd[‘result‘][‘count‘][‘total‘]
十八、完成内文信息抽取函式
将抓取内文信息的方法整理成一函式。
import requests
from bs4 import BeautifulSoup
def getNewsDetail(newsurl):
result = {}
res = requests.get(newsurl)
res.encoding = ‘utf-8‘
soup = BeautifulSoup(res.text, ‘html.parser‘)
result[‘title‘] = soup.select(‘#artibodyTitle‘)[0].text
result[‘newssource‘] = soup.select(‘.time-source span a‘)[0].text
timesource = soup.select(‘.time-source‘)[0].contents[0].strip()
result[‘dt‘] = datetime.strptime(timesource, ‘%Y年%m月%d日:%H%M‘)
result[‘article‘] = ‘\n‘.join([p.text.strip() for p in soup.select(‘#artibody p‘)[:-1]])
result[‘editor‘] = soup.select(‘.article-editor‘)[0].text.strip(‘责任编辑:‘)
result[‘comments‘] = getCommentCounts(newsurl)
return result
十九、从列表链接取出每篇新闻内容
如果Doc
下面没有我们想要找的东西,那么就有理由怀疑,这个网页产生资料的方式,是通过非同步的方式产生的。因此需要去XHR
和JS
下面去找。
有时候会发现非同步方式的资料XHR
下没有,而是在JS
下面。这是因为这些资料会被JS
的函式包装,Chrome的开发者工具认为这是JS文件,因此就放到了JS
下面。
在JS
中找到我们感兴趣的资料,然后点击Preview
预览,如果确定是我们要找的,就可以去Headers
中查看Request URL
和Request Method
了。
一般
JS
中的第一个可能就是我们要找的,要特别留意第一个。
图示
二十、找寻分页链接
头
尾
需要去掉头和尾,将其变成标准的
json
格式。
变成json
将json格式变成python的字典。
二十一、剖析分页信息
获取新闻链接列表
获取新闻链接列表
二十二、建立剖析清单链接函式
将前面的步骤整理一下,封装到一个函式中。
def parseListLinks(url):
newsdetails = []
res = requests.get(url)
jd = json.loads(res.text.lstrip(‘newsloadercallback()‘).rstrip(‘);‘))
for ent in jd[‘result‘][‘data‘]:
newsdetails.append(getNewsDetail(ent[‘url‘]))
return newsdetails
二十三、使用for循环产生多页链接
for循环产生多页链接
二十四、批次抓取每页新闻内文
批次抓取每页新闻内文
二十五、使用Pandas整理数据
Python for Data Analysis
- 源于R
- Table-Like格式
- 提供高效能、简易使用的资料格式(Data Frame)让使用者可以快速操作及分析资料
pandas范例
df.head()
:默认显示5条数据;df
:默认显示全部数据;df.head(10)
:默认显示10条数据。
二十六、保存数据到数据库
保存至Excel或者sqlite3
sqlite3同oracle、mysql不一样,它不需要在操作系统上去启动一个服务,然后让客户端连接到这个服务才可以进行对数据库的操作。
sqlite3它将所有的资料都存放在一个档案之中,在这个例子中,这个档案就叫做news.sqlite
。执行完毕后,所有的资料都存在放news.sqlite
这个资料库的news
表格。
可以保存成多种格式
作者:陈半仙儿
链接:http://www.jianshu.com/p/01af5cfcc522
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。