- 在线时间
- 19 小时
- 最后登录
- 2016-1-31
- 注册时间
- 2015-11-16
- 听众数
- 12
- 收听数
- 0
- 能力
- 0 分
- 体力
- 134 点
- 威望
- 0 点
- 阅读权限
- 20
- 积分
- 76
- 相册
- 0
- 日志
- 0
- 记录
- 0
- 帖子
- 70
- 主题
- 1
- 精华
- 0
- 分享
- 0
- 好友
- 2
升级   74.74% TA的每日心情 | 开心 2016-1-31 11:16 |
---|
签到天数: 40 天 [LV.5]常住居民I
 |
这条帖子也是小伙伴分享给我的,觉得不错,分享给大家,关于网页数据提取的,对于一些少数据或是在网页上拷数据的数学建模题目来说很有用!" h2 `9 f% k1 D
再次声明一下,本帖是转发贴,感谢原作者:EroicaCMCS,以下是原帖地址:http://www.1point3acres.com/bbs/thread-83337-1-1.html
% ` n$ A# I9 p# l; v0 n6 D) G! k前言:数据科学越来越火了,网页是数据很大的一个来源。最近很多人问怎么抓网页数据,据我所知,常见的编程语言(C++,java,python)都可以实现抓网页数据,甚至很多统计\计算的语言(R,Matlab)都有可以实现和网站交互的包。本人试过用java,python,R抓网页,感觉语法各有差异,逻辑上是一样的。我准备用python来大概讲讲抓网页是什么概念,具体的内容要自己看手册或者google别人的博客,这里算是抛砖引玉了。水平有限,出现错误或者有更好的办法,欢迎讨论。1 R" e* u1 D2 t4 V6 G
2 b0 A: R8 j& b' [5 F+ q+ ]) s9 ?
步骤一:熟悉Python的基本语法。4 h/ k4 ?* T' z0 A3 r
已经熟悉Python的直接跳到步骤二。: {% Q y4 U* g: G4 T5 B8 B
Python是门比较容易入门的编程语言,如何上手视编程基础而定。2 V# Q& M3 ]6 y& ^0 o' Y, b
(1) 如果有一定编程的基础,建议看google's python class,链接https://developers.google.com/edu/python/?hl=zh-CN&csw=1
; c7 `: ^ p4 b这个是一个为期两天的短期培训课程(当然,是两个全天),大概是七个视频,每个视频之后给编程作业,每个作业一个小时之内可以完成。这是我学习python的第二门课(第一门是codecademy的python,很早之前看的,很多内容都记不得了),当时每天看视频+编程作业一个多小时,六天弄完,效果还不错,用python写基本的程序没有问题。+ k& ^% V7 I; S3 F
(2) 如果是没有任何编程基础,建议看coursera上Rice University开的An Introduction to Interactive Programming in Python。这门课我没有跟过,但是看coursetalk的评论反映非常好,地里也有同学评论(点这里),课程链接:https://www.coursera.org/course/interactivepython。Udacity上的CS101也是不错的选择,地里有相关的讨论帖(点这里),而且这门课就叫做build a search engine,会专门讲一些和网络相关的module。其他学习资源还有code school和codecademy,这些资源也是挺不错的,但是编程量太少,初学者还是系统的跟课、多练练手来打好基础吧。
; m E# E+ n8 h; ~9 g当然,每个人的偏好不同,我推荐的不一定适合你。可以先看看这个帖子【长期加分贴】介绍你上过的公开课里面其他人是怎么说的,或者上coursetalk.org看看课程评论,再决定吧。4 u- h( V3 A; Q1 T/ n+ w, n
- k/ P: B7 F) _' p/ n5 \5 P: O) g& h0 R! ]" r8 w m% O- Y) y
步骤二:学会如何与网站建立链接,得到网页数据。
4 e' v) I" A$ t2 n8 Z1 O4 @8 h写脚本与网站进行交互,要熟悉python和网页相关的几个module(urllib,urllib2,httplib)中的一个,知道一个即可,其他的都类似的。这三个是python提供的和网页交互的基本module,还有其他的一些,比如:mechanize和scrappy,我没有用过,可能有更好的性能,欢迎了解的来补充。基本的网页抓取,前面的三个module足矣。
3 D$ D* m, M) z6 b) k5 E1 G5 G' \( i9 ^下面的代码演示如何用urllib2与google scholar进行交互,获得网页信息。
& S" }6 n5 [2 i, W) k# s$ r" E- # 导入模块 urllib2
- import urllib2
- # 随便查询一篇文章,比如On random graph。对每一个查询google
- # scholar都有一个url,这个url形成的规则是要自己分析的。
- query = 'On+random+graph'
- url = 'http://scholar.google.com/scholar?hl=en&q=' + query + '&btnG=&as_sdt=1%2C5&as_sdtp='
- # 设置头文件。抓取有些的网页不需要专门设置头文件,但是这里如果不设置的话,
- # google会认为是机器人不允许访问。另外访问有些网站还有设置Cookie,这个会相对复杂一些,
- # 这里暂时不提。关于怎么知道头文件该怎么写,一些插件可以看到你用的浏览器和网站交互的
- # 头文件(这种工具很多浏览器是自带的),我用的是firefox的firebug插件。
- header = {'Host': 'scholar.google.com',
- 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; rv:26.0) Gecko/20100101 Firefox/26.0',
- 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
- 'Accept-Encoding': 'gzip, deflate',
- 'Connection': 'keep-alive'}
- # 建立连接请求,这时google的服务器返回页面信息给con这个变量,con是一个对象
- req = urllib2.Request(url, headers = header)
- con = urllib2.urlopen( req )
- # 对con这个对象调用read()方法,返回的是html页面,也就是有html标签的纯文本
- doc = con.read()
- # 关闭连接。就像读完文件要关闭文件一样,如果不关闭有时可以、但有时会有问题,
- # 所以作为一个守法的好公民,还是关闭连接好了。
- con.close()" Z; Q3 {; |$ p% H9 J
. ]2 ~; Y" q) Z8 ~9 q" V复制代码
- y( c" Q2 a6 g2 V9 K& h以上的代码就把在google scholar上查询On Random Graph的结果返回到doc这个变量中了,这个和你打开google scholar搜索On Random Graph,然后将网页右键保存的效果是一样的。( P( I# k% S% p) N! Z" M
) t8 E, f, B8 E6 `' M, ^! r4 p
步骤三、解析网页8 x; N+ V* F" V( t# B: u3 C6 t. e
上面的步骤得到了网页的信息,但是包括了html标签,你要把这些标签去掉,然后从html文本中整理出有用的信息,% v6 L5 k' |2 ?, G# R3 d' k- \
你需要解析这个网页。* W- m4 U) B1 B& A; P1 W" a
解析网页的方法:/ g0 u! o; T" S; k% [
(1) 正则表达式。正则表达式很有用,熟悉它节省很多的时间,有时候清洗数据不用写脚本或者在数据库上查询,直接在notepad++上用正则表达式组合使用就行了。如何学习正则表达式建议看:正则表达式30分钟入门教程,链接:http://deerchao.net/tutorials/regex/regex.htm! E! I( P& D `
(2) BeautifulSoup模块。BeautifulSoup是一个很强大的模块,能把html文件解析成一个对象,这个对象是一棵树。我们都知道html文件是树状的,比如 body -> table -> tbody -> tr,对于tbody这个节点,有很多个tr的子节点。BeautifulSoup可以很方便的取到特定的节点,对单个节点也可以取它的sibling node。网上有很多相关的说明,这里不细说,只演示简单的代码:
. J' t) b, y2 e9 Q# ^' g(3) 上面两种方法结合使用。5 B$ s( Q' {) [: G
- # 导入BeautifulSoup模块和re模块,re是python中正则表达式的模块
- import BeautifulSoup
- import re
- # 生成一个soup对象,doc就是步骤二中提到的
- soup = BeautifulSoup.BeautifulSoup(doc)
- # 抓取论文标题,作者,简短描述,引用次数,版本数,引用它的文章列表的超链接
- # 这里还用了一些正则表达式,不熟悉的先无知它好了。至于'class' : 'gs_rt'中
- # 'gs_rt'是怎么来的,这个是分析html文件肉眼看出来的。上面提到的firebug插件
- # 让这个变的很简单,只要一点网页,就可以知道对应的html 标签的位置和属性,
- # 相当好用。
- paper_name = soup.html.body.find('h3', {'class' : 'gs_rt'}).text
- paper_name = re.sub(r'\[.*\]', '', paper_name) # eliminate '[]' tags like '[PDF]'
- paper_author = soup.html.body.find('div', {'class' : 'gs_a'}).text
- paper_desc = soup.html.body.find('div', {'class' : 'gs_rs'}).text
- temp_str = soup.html.body.find('div', {'class' : 'gs_fl'}).text
- temp_re = re.match(r'[A-Za-z\s]+(\d*)[A-Za-z\s]+(\d*)', temp_str)
- citeTimes = temp_re.group(1)
- versionNum = temp_re.group(2)
- if citeTimes == '':
- citeTimes = '0'
- if versionNum == '':
- versionNum = '0'
- citedPaper_href = soup.html.body.find('div', {'class' : 'gs_fl'}).a.attrs[0][1]' @) }' x3 ~( w
3 L( W2 e( u& ^8 g8 q. J( _复制代码" y% L- j, j4 ^
1 ]/ O7 G g6 m1 c% i, W8 [
这些都是我在一个分析citation network的项目的代码。顺便一提,我从google scholar上抓取paper的信息以及引用列表的信息,访问了大概1900次左右的时候给google block了,导致这个片区的ip一时无法登陆google scholar。
' \4 @( J! h2 P; B& }: q" d9 t( ^/ ]
步骤四:存取数据
7 W2 F6 b' G; U: Q: Z# O6 b好不容易抓了数据,现在只是存储在内存中,必须保存起来才能利用。
& H% {! q4 n0 P5 b) ^3 }1 a(1) 最简单的方法之把数据写进txt文件中,Python中可以用如下代码实现:8 M9 n, ]5 V- }/ z" p; O
; {- n1 l: S7 E6 ~3 E9 y- # 打开文件webdata.txt,生成对象file,这个文件可以是不存在的,参数a表示往里面添加。
- # 还有别的参数,比如'r'只能读但不能写入,'w'可以写入但是会删除原来的记录等等
- file = open('webdata.txt','a')
- line = paper_name + '#' + paper_author + '#' + paper_desc + '#' + citeTimes + '\n'
- # 对象file的write方法将字符串line写入file中
- file = file.write(line)
- # 再一次的,做个随手关闭文件的好青年
- file.close()8 Z8 {2 }1 I; p1 a8 I; u( d
% @! q5 ]/ N) h m N4 i0 q( o复制代码; P `% [% p% g1 e
这样,就把从网页上抓到并且解析了的数据存储到本地了,是不是很简单?
' A& F( g: ^# @, [& v+ R, M(2) 当然,你也可以不写入txt文件中,而是直接连接数据库,python中的MySQLdb模块可以实现和MySQL数据库的交互,把数据直接倒到数据库里面,与MySQL数据库建立链接的逻辑和与网站服务器建立链接的逻辑差不多。如果之前有学习过数据库,学习用MySQLdb模块实现和数据库的交互是很简单的;如果没有,则要借助在coursera\stanford openEdX平台上都有开设的Introduction to Database来系统学习,w3school用来参考或者当成手册。* N. T: M' e6 _) b% C$ a
Python能够链接数据库的前提是数据库是开着的,我用的是 win7 + MySQL5.5,数据库在本地。4 I4 Q" Z+ {+ r; P- K
- %可以用cmd开启数据库,启动命令是:
- net start mysql55
- %关闭命令是:
- net stop mysql55
9 w4 o* x7 U% c+ A * V3 ~5 S/ u- r0 J9 k3 L( Z
复制代码1 M( s& h' {& T) i; u& P" I6 d
使用MySQLdb模块代码示例:
! m- {* Z3 K% A4 E, m. f- # 导入 MySQLdb模块
- import MySQLdb
- # 和服务器建立链接,host是服务器ip,我的MySQL数据库搭建在本机,默认的是127.0.0.1,
- # 用户、密码、数据库名称对应着照输就行了,默认的端口号是3306,charset是编码方式,
- # 默认的是utf8(也有可能是gbk,看安装的版本)。
- conn = MySQLdb.connect(host='127.0.0.1', user='root', passwd='yourPassword', db='dbname', port=3306, charset='utf8')
- # 建立cursor
- cur = conn.cursor()
- # 通过对象cur的execute()方法执行SQL语句
- cur.execute("select * from citeRelation where paperName = 'On Random Graph'")
- # fetchall()方法获得查询结果,返回的是一个list,可以直接这样查询:list[j],
- # i表示查询结果中的第i+1条record,j表示这条记录的第j+1个attribute(别忘了python从0开始计数)
- list = cur.fetchall()
- # 也可以进行delete,drop,insert,update等操作,比如:
- sql = "update studentCourseRecord set fail = 1 where studentID = '%s' and semesterID = '%s' and courseID = '%s'" %(studentID,course[0],course[1])
- cur.execute(sql)
- # 与查询不同的是,执行完delete,insert,update这些语句后必须执行下面的命令才能成功更新数据库
- conn.commit()
- # 一如既往的,用完了之后记得关闭cursor,然后关闭链接
- cur.close()
- conn.close()+ r3 T0 f) [1 O+ u0 x: j
7 \% x0 [3 W% j复制代码( }2 V: p* U% p& {- P( t8 L
: ^5 z* g4 r+ J; w6 Q3 ~' W9 f这样就实现了Python和数据库之间的交互。除了MySQL数据库外,python的PyGreSQL模块可以支持postgreSQL数据库,道理类似的。还有,如果你的网页里面包含了中文,设置编码格式会非常的麻烦,需要服务器、Python、数据库和数据库界面采用相同的编码格式才能不出现乱码,如果真的出现了中文乱码的问题,请相信,你不是一个人!!去google一下吧,成千上万的人碰到过这种问题。. l3 I; g$ \2 F. q
关于编码的问题,附一篇我看到的博文<python编码问题总结>:* C" \# ?/ y' R
http://www.xprogrammer.com/1258.html7 G7 P2 h- ]% p" S, L
$ Y% g- M, }7 Q, A
后记:
. Y$ s' O9 M; `6 P2 c上面介绍了抓取网页数据的方法,抓取数据只是一小步,如何分析数据就是大学问了,欢迎讨论。
! @ K9 a* s) E% D; A" C8 w1 r上面有什么地方讲不清楚的,欢迎交流。, o) [, g! x" {9 C. u7 ]0 @7 y
- t0 h% z- b5 {, B( t! Y特别注意:. @! j5 L' z' \! Q6 L4 \' ?
大规模抓取网站会给网站的服务器带来很大的压力,尽量选择服务器相对轻松的时段(比如凌晨)。网站很多,不要拿一亩三分地来做试验。1 ^. V6 D# Q. J( _( c2 q
Python的time模块的sleep()方法可以让程序暂停一段时间,比如time.sleep(1)让程序运行到这里的时候暂停1秒。适时地暂停可以缓解服务器的压力,也可以保护自己的硬盘,正好码久了睡个觉,或者去趟gym,结果就出来了。' \ G( y5 u7 z: Q% q
, T9 T* m: d6 b4 ~! g9 r& C
|
zan
|