《Python商業(yè)數(shù)據(jù)分析》案例：網(wǎng)絡數(shù)據(jù)抓取

Python商業(yè)數(shù)據(jù)分析網(wǎng)絡數(shù)據(jù)抓取15.1案例背景數(shù)據(jù)獲取是數(shù)據(jù)分析的基礎?；ヂ?lián)網(wǎng)上積累了海量信息和知識，蘊含著豐富的商業(yè)和學術價值。電商網(wǎng)站的售后評論信息有助于企業(yè)識別用戶偏好和產(chǎn)品缺陷；線上二手房價格的長期監(jiān)測有助于預測區(qū)域房價變動；投資論壇中對股票的討論有助于識別投資者情緒；微博等社交媒體中的用戶發(fā)帖能體現(xiàn)民眾對某熱點事件的看法。本案例將介紹如何利用Python編程，從互聯(lián)網(wǎng)上進行數(shù)據(jù)抓取。15.1案例背景學完本案例，你應該能夠：解釋HTML語言的作用，了解其與編程語言的區(qū)別；描述HTML語言中的標簽、元素、屬性；了解在瀏覽器中查看并定位網(wǎng)頁HTML代碼的方式；使用urllib和Requests庫實現(xiàn)HTML源代碼獲取，BeautifulSoup庫實現(xiàn)目標數(shù)據(jù)定位；了解針對異步加載技術的數(shù)據(jù)抓取方法。15.1背景與問題寫在前面：合理進行數(shù)據(jù)抓取，不得干擾服務器正常運行；關注數(shù)據(jù)抓取的邏輯和技術，而不是記憶個別網(wǎng)站的抓取規(guī)律；遵守相關法律法規(guī)，對提供數(shù)據(jù)的網(wǎng)站心存敬意和尊重。15.2.1數(shù)據(jù)抓取的基本思想想一想：數(shù)據(jù)抓取有哪些步驟？假設你用手動的方式，抓取股票價格信息：15.2.1數(shù)據(jù)抓取的基本思想想一想：數(shù)據(jù)抓取有哪些步驟？假設你用手動的方式，抓取股票價格信息：找到包含該信息的網(wǎng)頁（如東方財富網(wǎng)）；打開網(wǎng)頁找到股價信息的位置；將股價信息復制到數(shù)據(jù)文件中；（如果要抓取多只股票的信息）跳轉(zhuǎn)到下一只股票。15.2.1數(shù)據(jù)抓取的基本思想我們將在程序編寫中一一實現(xiàn)這些功能。困難：程序并不能向人一樣理解某些概念；什么是標題欄？什么是上方？什么是左上角？這需要我們從程序去重新認識網(wǎng)頁，需要了解：網(wǎng)頁的基礎知識；瀏覽器原理。15.2.2 網(wǎng)頁基礎知識和瀏覽器原理網(wǎng)頁是源代碼在瀏覽器下顯示的結果。代碼經(jīng)過IE、Safari等瀏覽器，變成用戶看到的可視化界面。新浪網(wǎng)部分源代碼15.2.2 網(wǎng)頁基礎知識和瀏覽器原理網(wǎng)頁主要由HTML（HyperTextMarkupLanguage）代碼編寫。類比HTML與Python15.2.3 HTML語言簡介HTML是一種標記語言；簡要介紹HTML標簽、元素、屬性等相關概念，通過實例說明HTML語言和網(wǎng)頁中數(shù)據(jù)的聯(lián)系；可以利用W3school等線上資源深入學習。15.2.3 HTML語言簡介標記語言通過標記標簽對文本進行編輯；可以用Sublime等程序來編寫HTML代碼，并將后綴保存為“.html”；使用瀏覽器打開，就會看到可視化界面。HTML示例及運行結果15.2.3 HTML語言簡介h：標題（Headline）；h后面的數(shù)字表示層級，數(shù)字越小層級越高、字號越大；p：段落（Paragraph）。<h3></h3>、<p></p>等用來修飾的標記稱為HTML標簽；一般成對出現(xiàn)，表示被修飾內(nèi)容的開始和結束；結束標簽帶有“/”符號；從開始到結束標簽的所有內(nèi)容被稱為HTML元素。HTML元素可以嵌套。15.2.3 HTML語言簡介其他值得關注的標簽：超鏈接<a>：a表示錨點（Anchor）；結構示例：<ahref="網(wǎng)址">被修飾內(nèi)容</a>我們更關注跳轉(zhuǎn)的網(wǎng)址，即“href=”之后的內(nèi)容；這部分信息成為HTML元素的屬性；屬性包括屬性名和屬性值；這里href是屬性名，等號右側(cè)的網(wǎng)址是屬性值。15.2.3 HTML語言簡介其他值得關注的標簽：列表相關標簽<ol>、<ul>、<li>：ol表示有序列表，ordered

list；ul表示無序列表，unordered

list；li表示列表中的元素，listitem。有序列表和無序列表15.2.3 HTML語言簡介實戰(zhàn)環(huán)節(jié)：從HTML中找到需要的數(shù)據(jù)。以鏈家二手房網(wǎng)站為例：網(wǎng)頁上有哪些信息？15.2.3 HTML語言簡介實戰(zhàn)環(huán)節(jié)：從HTML中找到需要的數(shù)據(jù)。以鏈家二手房網(wǎng)站為例：網(wǎng)頁上有哪些信息？總價單價位置信息房屋信息每套房源的具體信息頁的網(wǎng)址15.2.3 HTML語言簡介實戰(zhàn)環(huán)節(jié)：從HTML中找到需要的數(shù)據(jù)。以鏈家二手房網(wǎng)站為例：進入每一套房源，我們還可以看到更多信息。15.2.3 HTML語言簡介我們從列表信息頁開始。找到源代碼：在瀏覽器中某頁面的空白處單擊鼠標右鍵，選擇“查看網(wǎng)頁源代碼”；或使用“開發(fā)者工具”功能；可以在具體的數(shù)據(jù)上，使用瀏覽器的“檢查”或“審查元素”功能，快速定位目標數(shù)據(jù)。15.2.3 HTML語言簡介從圖中可以看到哪些所需的數(shù)據(jù)？這些數(shù)據(jù)所在的HTML元素有哪些特征？鏈家源代碼示例15.2.3 HTML語言簡介從鏈家案例中可以看出，不同的房源背后的代碼結構基本相似。相似界面背后存在相似的源代碼，是實現(xiàn)自動數(shù)據(jù)抓取的基礎。15.3用Python實現(xiàn)數(shù)據(jù)爬取從HTML視角理解數(shù)據(jù)抓取流程15.3.1 獲得網(wǎng)頁HTML源代碼工具：urllib模塊；或Requests等第三方庫。以urllib模塊的request.urlopen()函數(shù)為例：返回的是http.client.HTTPResponse類，是本次請求的響應；狀態(tài)碼是200，即請求成功。常見狀態(tài)碼釋義：200

–

OK；400

-BadRequest；403-Forbidden；404-NotFound

。15.3.1 獲得網(wǎng)頁HTML源代碼使用HTTPResponse.read()方法讀取響應內(nèi)容。由于返回的是bytes形式的源代碼，需要使用decode()函數(shù)進行解碼，使得中文正常顯示。

解碼前解碼后15.3.1 獲得網(wǎng)頁HTML源代碼請同學們自主嘗試獲取其他網(wǎng)頁的源代碼。當urlopen未能順利獲得源代碼：有時需要使用ssl模塊解決證書異常的問題；網(wǎng)頁被壓縮，可以使用Requests自動解壓縮。15.3.1 獲得網(wǎng)頁HTML源代碼使用Requests抓取騰訊首頁示例：優(yōu)點：自動解壓解碼；自動處理SSL整數(shù)問題。返回對象：requests.models.Response類；.status_code：狀態(tài)碼；.text：字符串格式的源代碼；.encoding：網(wǎng)頁編碼格式。可以使用response.encoding='utf-8'

來手動定義。15.3.2 通過HTML標簽定位數(shù)據(jù)獲取源代碼后，使用BeautifulSoup定位目標數(shù)據(jù)。需要用pip預安裝BeautifulSoup4和lxml解析器。15.3.2 通過HTML標簽定位數(shù)據(jù)實例演示：使用BeautifulSoup4從北京鏈家二手房網(wǎng)頁中提取數(shù)據(jù)。獲取源代碼并轉(zhuǎn)為BeautifulSoup對象。15.3.2 通過HTML標簽定位數(shù)據(jù)實例演示：使用BeautifulSoup4從北京鏈家二手房網(wǎng)頁中提取數(shù)據(jù)。獲取源代碼并轉(zhuǎn)為BeautifulSoup對象。使用find()或find_all()提取特定的HTML元素。find()方法用來查找符合條件的第一個元素；find_all()方法用來查找符合條件的所有元素，以列表形式返回。可以看出該網(wǎng)頁共有547個<a>元素。15.3.2 通過HTML標簽定位數(shù)據(jù)實例演示：使用BeautifulSoup4從北京鏈家二手房網(wǎng)頁中提取數(shù)據(jù)。獲取源代碼并轉(zhuǎn)為BeautifulSoup對象。使用find()或find_all()提取特定的HTML元素。在find()或find_all()方法中加入條件：從網(wǎng)頁中可以看出，所有房源名稱均在class="title"的<a>元素中；加入屬性約束class

=

"title"。注：由于class是Python語言的保留字段，需要在代碼中寫成class_可以看出共找到30個結果，對應本頁的30套房源。15.3.2 通過HTML標簽定位數(shù)據(jù)實例演示：使用BeautifulSoup4從北京鏈家二手房網(wǎng)頁中提取數(shù)據(jù)。獲取源代碼并轉(zhuǎn)為BeautifulSoup對象。使用find()或find_all()提取特定的HTML元素。在find()或find_all()方法中加入條件。使用string屬性提取內(nèi)容，或提取屬性值。房源名稱是<a>元素的內(nèi)容，用string提?。环吭丛斍轫摼W(wǎng)址是href屬性的值。要確保找到的規(guī)律是提取目標數(shù)據(jù)的“充要條件”。15.3.2 通過HTML標簽定位數(shù)據(jù)請同學們自己嘗試提取房源的下列信息：房源名稱；房源詳情頁網(wǎng)址；房源總價；房源單價；位置信息；房源信息；房源標簽；……如果遇到困難，請思考：提取數(shù)據(jù)的條件對不對？結果數(shù)量和預期一致嗎？是否混入了不符合要求的元素？string無法處理件套元素的內(nèi)容，可以嘗試結合contents和get_text()方法。15.3.2 通過HTML標簽定位數(shù)據(jù)參考代碼如下：圖中顯示了如何提取第一套房源的信息，如何使用for循環(huán)，遍歷提取30套房源的信息？15.3.3 處理“翻頁”數(shù)據(jù)網(wǎng)址變化是最常見的翻頁方式：點擊鏈家二手房的第2-10頁，觀察網(wǎng)址變化。異步加載網(wǎng)址不改變的翻頁方式；如微博、QQ空間等；使用開發(fā)者工具中的網(wǎng)絡監(jiān)控功能，找到后臺實際訪問的網(wǎng)址。15.3.3 處理“翻頁”數(shù)據(jù)異步加載示例：打開Chrome瀏覽器的網(wǎng)絡監(jiān)控工具。打開微博首頁，翻動界面，觀察不斷加載的新網(wǎng)址。需要耐心尋找其中有規(guī)律的內(nèi)容；得到的網(wǎng)址不是一成不變的；如果網(wǎng)站改版升級，需要重新尋找。15.4數(shù)據(jù)抓取技巧合理進行數(shù)據(jù)抓取，不得干擾服務器正常運行。務必加入暫停機制；time.sleep()。更改請求頭：編碼、cookie、用戶代理使用請求頭