- 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!0 n' M# o" b3 z5 [5 ?" J* I
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.html6 `+ Q: Q1 t: j s" n# p
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。- y: m& r$ x* O" b' G, ?& a; `4 S; y4 i
& [( ~, ~: P% i$ P! ^( J
步骤一:熟悉Python的基本语法。3 O- _& n8 J5 T* I4 ~% `. T7 Y- r
已经熟悉Python的直接跳到步骤二。
! I: C% |# b( aPython是门比较容易入门的编程语言,如何上手视编程基础而定。- v! ?) p5 f1 A; m- c
(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=15 M) E: K1 G& [6 p
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。
0 k# k" N9 V9 `! O(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。9 ?7 ]5 p# k6 o7 l4 a: c( D3 J# P$ }1 I
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。
0 M6 x/ e" a, |8 X
& r ~ P- b! a4 q3 d7 S/ [7 F; \' a Z& g
步骤二:学会如何与网站建立链接,得到网页数据。
* C0 ^ I2 G! [' P* g+ C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。
* ^5 }3 U) j& D& n* M3 ^$ P下面的代码演示如何用urllib2与google scholar进行交互,获得网页信息。
3 u4 Y6 l) r6 g5 a! q- # 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()8 e( B& q1 w0 ~3 c7 e! o
J0 a4 l. v3 D
复制代码
2 g' U4 }* n4 [! ~& `2 O; R4 `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。; `' q6 C, i9 _2 F
! Q. Y6 ]0 |1 z3 F/ {4 K6 _. b% K步骤三、解析网页 Y. D, J/ V+ ~5 I4 Y
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,* b/ O2 C: r2 ?+ Z! @2 T
你需要解析这个网页。
, I5 K. \, E6 ~' t解析网页的方法:- q; R8 [" j q7 q; m+ o0 z
(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' Z# J! L) s0 _; y; l% U& }% c
(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:
: X3 W9 h: Q0 R0 O z(3) 上面两种方法结合使用。( ?. T" Q8 W$ j) m' E9 d
- # 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]5 z" X2 h4 e4 L
* R0 g8 U0 Z/ s; [" R. `6 ^ l p2 g
复制代码
, v$ N. h( }" }
) [" i! D" S# \1 ]; [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。* e5 m, V. e$ X! h! o( N: {1 @
8 H$ I$ {( e* T8 N9 z3 d$ Y5 n1 x' H步骤四:存取数据/ f9 j# _: w( w$ A$ a8 ?' {2 }
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。
0 G1 O! u: d* F- j(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 D8 h. ~ a+ g. s4 V1 _
5 H; ^( t) p G- # 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()2 J* D( p2 ?6 G5 X1 f" Q
! W$ n& N- W) i5 i2 L复制代码7 j% Z4 S: u& S" w; \$ ~ u
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?
8 U6 X& c/ @- U# r+ Q7 y(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。" C$ w2 Y0 f' V. p8 n$ m- u, ^
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。5 I. z* i4 p% \8 o
- %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) I" B& j2 \1 S4 ?# m
8 M% A( @" y6 ~/ P. G5 K复制代码- d2 e9 ~( l/ B+ `4 _! {# ]3 o
使用MySQLdb模块代码示例:
( i* N9 _; I3 L- # 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()
" k) o; c) p' T
! \0 c6 r& ?( E& I/ t复制代码
: ^! C$ [5 E6 B d
7 \! |; o1 v5 I+ k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。6 [ P, O( h v
关于编码的问题,附一篇我看到的博文<python编码问题总结>:. X1 k; k# ?2 a5 i/ M! w
http://www.xprogrammer.com/1258.html% u& a& ^( p5 y) K! |
5 \" ]7 D: ^) F7 h! y+ e
后记:
* x: w b. n- G7 F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。
# r7 v( M7 l! M3 I# m3 W上面有什么地方讲不清楚的,欢迎交流。6 N2 _% W& M8 R" E$ C6 N
+ M8 l0 L) a" X" c
特别注意:
7 \: i+ \" |. s- C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。5 Z1 Z9 K- M! \
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。% X0 S- z& ~. S, L! b
; A/ e2 p. s, ~5 I8 z |
zan
|