Python怎么爬虫博文
本篇内容主要讲解“Python怎么爬虫博文”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“Python怎么爬虫博文”吧!
创新互联建站专注为客户提供全方位的互联网综合服务,包含不限于网站建设、成都网站建设、千阳网络推广、小程序定制开发、千阳网络营销、千阳企业策划、千阳品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等,从售前售中售后,我们都将竭诚为您服务,您的肯定,是我们最大的嘉奖;创新互联建站为所有大学生创业者提供千阳建站搭建服务,24小时服务热线:18982081108,官方网址:www.cdcxhl.com
一. 大数据及数据挖掘基础
***部分主要简单介绍三个问题:
1、什么是大数据?
2、什么是数据挖掘?
3、大数据和数据挖掘的区别?
1、大数据(Big Data)
大数据(big data)指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。
下图是大数据经典的4V特征。
IBM大数据库框架及可视化技术,大数据常用:Hadoop、Spark,现在更多的是实时数据分析,包括淘宝、京东、附近美食等。
下图是大数据的一些应用
说到大数据,就不得不提Hadoop,而说到Hadoop,又不得不提Map-Reduce。
MapReduce是一个软件框架由上千个商用机器组成的大集群上,并以一种可靠的,具有容错能力的方式并行地处理上TB级别的海量数据集。MapReduce的思想是“分而治之”。Mapper负责“分,Reducer负责对map阶段的结果进行汇总。
2、数据挖掘(Data Mining)
数据挖掘(Data Mining):数据库、机器学习、人工智能、统计学的交叉学科。
数据挖掘需要发现有价值的知识,同时最顶端都是具有智慧的去发现知识及有价值的信息。
因为它主要是针对网页数据进行的大数据分析,需要Web Mining分类如下:
Web挖掘主要分为三类:Web日志挖掘、Web内容挖掘、Web结构挖掘。
3、机器学习
讲到机器学习和数据挖掘相关的知识,通常都会补充两幅图片。很形象的表示了计算机智能化与人类传统知识的类比。
二. 安装Python及基础知识
1、安装Python
在开始使用Python编程之前,需要介绍Python的安装过程。python解释器在Linux中可以内置使用安装
步骤如下:
***步:打开Web浏览器并访问官网;
第二步:
在官网首页点击Download链接,进入下载界面,选择Python软件的版本,作者选择下载python 2.7.8,点击“Download”链接。
Python下载地址:
第三步:选择文件下载地址,并下载文件。
第四步:双击下载的“python-2.7.8.msi”软件,并对软件进行安装。
第五步:在Python安装向导中选择默认设置,点击“Next”,选择安装路径,这里设置为默认的安装路径“C:Python27”,点击“Next”按钮,如图所示。
注意1:建议将Python安装在C盘下,通常路径为C:Python27,不要存在中文路径。
在Python安装向导中选择默认设置,点击“Next”,选择安装路径,这里设置为默认的安装路径“C:Python27”,点击“Next”按钮。
安装成功后,如下图所示:
第六步:假设安装一切正常,点击“开始”,选中“程序”,找到安装成功的Python软件,如图所示:
选中上图中第三个图标,即点击“Python (command line)命令行模式”,运行程序输入如下代码:
print 'hello world'
则python命令行模式的解释器会打印输出“hello world”字符串,如下图所示。
选中图中的***个图片,点击“IDLE (Python GUI)”,即运行Python的集成开发环境(Python Integrated Development Environment,IDLE),运行结果如下图。
注意2:建议大家使用IDLE写脚本,完整的代码而不是通过命令行模式。
2、Python基础知识
这里简单入门介绍,主要介绍下条件语句、循环语句、函数等基础知识。
a、函数及运行
这里举个简单的例子。打开IDLE工具->点击栏"File"->New File新建文件->命名为test.py文件,在test文件里添加代码如下:
保存文件。并在test.py文件里点击Run->Run Module,输出结果如下图所示。
b、条件语句
包括单分支、双分支和多分支语句,if-elif-else。
(1).单分支语句
它的基本格式是:
if condition: statement statement
需要注意的是Ptthon中if条件语句条件无需圆括号(),条件后面需要添加冒号,它没有花括号{}而是使用TAB实现区分。其中condition条件判断通常有布尔表达式(True|False 0-假|1-真 非0即真)、关系表达式(>= <= == !=)和逻辑运算表达式(and or not)。
(2).双分支语句
它的基本格式是:
if condition: statement statement else: statement statement
(3).多分支语句
if多分支由if-elif-else组成,其中elif相当于else if,同时它可以使用多个if的嵌套。具体代码如下所示:
c、while循环语句
while循环语句的基本格式如下:
while condition: statement statement else: statement statement
其中判断条件语句condition可以为布尔表达式、关系表达式和逻辑表达式,else可以省略(此处列出为与C语言等区别)。举个例子:
d、for循环
该循环语句的基础格式为:
for target in sequences: statements
target表示变量名,sequences表示序列,常见类型有list(列表)、tuple(元组)、strings(字符串)和files(文件)。
Python的for没有体现出循环的次数,不像C语言的for(i=0;i<10;i++)中i循环计数,Python的for指每次从序列sequences里面的数据项取值放到target里,取完即结束,取多少次循环多少次。其中in为成员资格运算符,检查一个值是否在序列中。同样可以使用break和continue跳出循环。
下面是文件循环遍历的过程:
e、课堂讲解代码
仅供大家参考:
输出结果如下图所示:
三. 安装PIP及第三方包
接下来需要详解介绍爬虫相关的知识了,这里主要涉及到下面几个知识:
爬虫主要使用Python(字符串|urllib)+Selenium+PhantomJS+BeautifulSoup。
在介绍爬虫及Urllib下载网页或图片之前,先教大家如何使用pip安装第三方的库。
PIP
在介绍介绍它们之前,需要安装PIP软件。“作为Python爱好者,如果不知道easy_install或者pip中的任何一个的话,那么......”。
easy_insall的作用和perl中的cpan,ruby中的gem类似,都提供了在线一键安装模块的傻瓜方便方式,而pip是easy_install的改进版,提供更好的提示信息,删除package等功能。老版本的python中只有easy_install,没有pip。常见的具体用法如下:
***步:下载PIP软件
可以在官网http://pypi.python.org/pypi/pip#downloads下载,同时cd切换到PIP目录,在通过python setup.py install安装。而我采用的是下载pip-Win_1.7.exe进行安装
第二步:安装PIP软件
当提示"pip and virtualenv installed"表示安装成功,那怎么测试PIP安装成功呢?
第三步:配置环境变量
此时在cmd中输入pip指令会提示错误“不是内部或外部命令”。
注意:两种解决方法,一种是通过cd ..去到Srcipts环境进行安装,pip install...
方法二:另一种配置Path路径。
需要添加path环境变量。PIP安装完成后,会在Python安装目录下添加pythonScripts目录,即在python安装目录的Scripts目录下,将此目录加入环境变量中即可!过程如下:
第四步:使用PIP命令
下面在CMD中使用PIP命令,“pip list outdate”列举Python安装库的版本信息。
注意:安装成功后,会在Python环境中增加Scripts文件夹,包括easy_install和pip。
PIP安装过程中可能出现各种问题,一种解决方法是去到python路径,通过python set_up.py install安装;另一种是配置Path环境比例。
课堂重点知识:
***节课主要想让大家体会下Python网络爬虫的过程及示例。需要安装的第三方库主要包括三个:
pip install httplib2 pip install urllib pip install selenium
在安装过程中,如果pip install urllib报错,是因为httplib2包含了,可直接用。
注意:如果pip安装报错ascii编码问题,需要把计算机名称从中文修改为英文名。
四. Urllib下载网页及图片
在使用pip install urllib或pip install urllib2后,下面这段代码是下载网页。
首先我们调用的是urllib2库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP、FILE、HTTPS 等等,只是代表了一种访问控制协议,urlopen一般接受三个参数,它的参数如下:
***个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。
第二三个参数是可以不传送的,data默认为空None,timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT。
***个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。
response对象有一个read方法,可以返回获取到的网页内容。
获取的网页本地保存为"baidu.html",通过浏览器打开如下图所示:
然后是需要下载图片,这里需要学会找到图片的URL,如下图百度的LOGO,可以通过浏览器右键"审查元素"或"检查"来进行定位。
定位URL后,再通过函数urlretrieve()进行下载。
重点知识:
urllib.urlopen(url[, data[, proxies]]) :创建一个表示远程url的类文件对象,然后像本地文件一样操作这个类文件对象来获取远程数据。
urlretrieve方法直接将远程数据下载到本地。
如果需要显示进度条,则使用下面这段代码:
五. HTML网页基础知识及审查元素
HTML DOM是HTML Document Object Model(文档对象模型)的缩写,HTML DOM则是专门适用于HTML/XHTML的文档对象模型。熟悉软件开发的人员可以将HTML DOM理解为网页的API。它将网页中的各个元素都看作一个个对象,从而使网页中的元素也可以被计算机语言获取或者编辑。
DOM是以层次结构组织的节点或信息片断的集合。这个层次结构允许开发人员在树中导航寻找特定信息。分析该结构通常需要加载整个文档和构造层次结构,然后才能做任何工作。由于它是基于信息层次的,因而 DOM 被认为是基于树或基于对象的。
HTML DOM 定义了访问和操作HTML文档的标准方法。 HTML DOM 把 HTML 文档呈现为带有元素、属性和文本的树结构(节点树)。它们都是一个节点(Node),就像公司的组织结构图一样。 我们现在从另一个角度来审视源代码,first.html的源码如下:
这个例子的***个元素就是元素,在这个元素的起始标签和终止标签之间,又有几个标签分别起始和闭合,包括
、重点:
在网络爬虫中,通常需要结合浏览器来定位元素,浏览器右键通常包括两个重要的功能:查看源代码和审查或检查元素。
通过审查元素,可以定位到需要爬取图片或网页的HTML源文件,通常是table或div的布局,这些HTML标签通常是成对出现的,如、
等;同时会包括一些属性id、name、class来指定该标签。如:....
六. 安装Selenium及网页简单爬取
Selenium用于Web应用程序测试的工具,模拟浏览器用户操作,通过Locating Elements 定位元素。安装过程如下图所示,通过pip install selenium安装。
注意:需要cd去到Scripts目录进行安装。
selenium结合浏览器定位的基本函数包括:
***个基于Selenium爬虫的代码,通过调用Firefox浏览器:
输出如下图所示:
到此,相信大家对“Python怎么爬虫博文”有了更深的了解,不妨来实际操作一番吧!这里是创新互联网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!
新闻标题:Python怎么爬虫博文
标题链接:http://ybzwz.com/article/gciehc.html