原来入门爬虫竟然这么简单
爬虫技术是一个获取信息和数据的重要手段。学习用python做一个简单的爬虫。
爬虫主要分为两个部分:
获取数据
urllib 内建模块(url.request)
Requests 第三方库
Scrapy框架
第三方的API
解析数据
BeautifulSoup库
re模块
一.从网络上取的数据
简单的爬虫是可以使用Requests库来完成的。
Requests的基本使用方法
requests.get()用来请求指定URL位置的资源,对应的是HTTP协议的GET方法。
爬虫有各式各样的,做个简单的来玩耍一下,下面以爬豆瓣读书上《利用Python进行数据分析》这本书的的书评作为例子。
最简单的爬回来一个页面
import requests r = requests.get('https://book.douban.com/subject/25779298/comments/') with open(r'D:demo.txt', 'w') as file: file.writelines(r.text)
使用requests模块的get方法,从网站上把一整个页面全都保存到了本地的D盘中的demo.txt文件中。这是一个极度简单的爬虫。其中requests本身自己还有许多属性和方法,可以去官网参考学习。如果需要把爬虫收集回来的数据保存到本地的话,还需要去了解一下文件操作和数据库操作的知识。
二.把数据解析出来
一般的标签网页解析–BeautifulSoup
安装的时候要注意:Pyhton3要安装BeautifulSoup4才是正常使用的。
打开刚才生成的demo.txt文件,会发现文件中保存的是一整个页面的代码,内容十分复杂,所以需要去解析一下页面的内容,才能够把我们需要的短评抽取出来。我们先研究一下。
打开文件,或者在网页页面按F12进入调试模式会发现,短评基本上是在一个相同的class的p标签里面的
<p class="comment-content">入门书,零基础看了这本书也能用python的pandas和matplotlib进行一些简单的数据分析, 数据分析不在乎用什么工具,而是有目的地去找一y些insight,下一步我需要达到的效果是:如果产生一个想法, 能用工具快速验证(如数据预处理,绘出图标等)。</p>
引入beautifulsoup来解析一下。要使用到的lxml解析包同样是需要安装的。
修改一下刚才的极简爬虫:
import requests from bs4 import BeautifulSoup r = requests.get('https://book.douban.com/subject/25779298/comments/') bs = BeautifulSoup(r.text, 'lxml') comments = bs.find_all('p', 'comment-content') with open(r'D:demo1.txt', 'w') as file: for item in comments: file.writelines(item.string)
激动的打开了demo.txt 文件后,发现天呐撸,所有的评论都窝在一行了,我们要给他区分出来,并且换行,再简单也要有点可读性。
修改一下刚才的小爬虫:
file.writelines(item.string + ' ')
只要写文件的时候加入这么一个简单的换行符,就可以把每个评论换行来看了,而不是挤成一坨。
复杂细节解析–正则表达式
玩玩爬完文字评论,可以发现,豆瓣本身还是有一个评星星等级的一个评价,把这个也爬下来作为一个数据收集起来。打开网页,F12找到这个评星星会发现,这个直接读取标签内的内容不一样,它是写在标签的class里面的。例如下面的五星推荐 是 allstar50,而一个四星评价是 allstar40。
<span class="user-stars allstar50 rating" title="力荐"></span> <span class="user-stars allstar40 rating" title="推荐"></span>
这里就需要使用正则表达式来提取这种复杂的情况。因为不是所有人都有打分,把有分数都拿出来,然后给算一个平均值作为参考。
再让小爬虫变身一下:
import requests import re from bs4 import BeautifulSoup # 得到评论正文 r = requests.get('https://book.douban.com/subject/25779298/comments/') bs = BeautifulSoup(r.text, 'lxml') comments = bs.find_all('p', 'comment-content') # 得到评论的评分并计算总分和平均分 rule = re.compile('<span class="user-stars allstar([0-9]*?) rating"') # 配置匹配规则 comments_star = re.findall(rule, r.text) totalsocre = 0 for star in comments_star: totalsocre += int(star) avgsocre = totalsocre / len(comments_star) with open(r'D:demo1.txt', 'w') as file: file.write('此书的评价平均分(满分50): ' + str(avgsocre) + ' ') for item in comments: file.write(item.string + ' ')
以上,完成了一个极简的爬虫。网络数据千千万,这个爬虫顶多算是蜉蝣,难以撼动各种。不过爬虫是一个强大的数据收集手段,值得与深入的学习。于此与各位学习pyhton的人们共勉。不过爬数据的时候也请查阅各网站对爬虫的限定范围,共建良好网络环境。
来源:PY学习网:原文地址:https://www.py.cn/article.html