Python数据爬取【大略总结】

2023-12-15 03:50

本文主要是介绍Python数据爬取【大略总结】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

数据采集

数据来源

  • 从网上爬取数据
  • 从本地系统收集数据
    • 文件、数据库等
  • 网络数据采集模型
    在这里插入图片描述

常用数据爬取工具

第三方库实现爬取

Requests、Ixml
灵活,简单

PySpider爬虫框架

  • 提供WebUI界面编程及管理爬虫
  • 上手快,学习简单
  • 对windows操作系统支持很差

Scrapy爬虫框架

  • 功能强大
  • 可定制性强(可以只用框架的一部分)
  • 多线程,爬取效率高
  • 可以塔键集群(分布式)

安装配置Scrapy框架

安装Scrapy

conda install scrapy

配置Scrapy环境变量

  • 将Anaconda的Scripts文件夹加入到Path环境变量中

创建scrap项目的命令

scrapy startproject 新工程名

创建Spider

scrapy genspider 爬虫名 start url

修改parse()方法,在控制台输出文本

启动Spider

scrapy crawl 爬虫名

Debug爬虫工程(重点)

使用Python脚本执行命令行启动爬虫

  • 在项目根目录添加脚本文件
  • 调用Scrapy框架的命令执行方法启动爬虫
    • cmdline模块
    • execute()方法

Scrapy框架组成

spiders文件夹

  • 定义爬虫文件

items.py

  • 定义框架内数据传输格式

pipelines.py

  • 数据保存模块

middlewares.py

  • 中间件模块

settings.py

  • 框架配置模块
    在这里插入图片描述

Scrapy返回爬取页面数据

通过解析方法返回爬取页面数据

  • parse()方法的response参数
  • response对象常用属性和方法
属性或方法作用
url当前返回数据所对应的页面url
statushttp请求状态码
meta用于request与response之间的数据传递
body返回页面html源码、如果纯正则表达式匹配数据,需要获得页面html源码
xpath()使用xpath选择器解析网页
css()使用css选择器解析网页

在Scrapy爬虫框架中提取网页数据的方法

xpath选择器

  • 用于选择XML文档中的节点的语言,可以与HTML一起使用

css选择器

  • 用于将样式应用于HTML文档的语言
  • 将样式与特定的HTML元素相关联
  • Scrapy中css选择器的代码最后也会转换成xpath选择器的代码

正则表达式

  • 提取非标签内容

xpath语法

  • 使用路径表达式来选取XML文档中的节点活结点集
表达式描述
nodename选取节点名
/从根节点选取
//选取所有符合条件的节点,而不考虑他们的位置
.选取当前节点
选取当前节点的父节点
@选取属性
  • 谓语用来查找某个特定节点或者包含某个指定的值的节点
  • 谓语被嵌入在方括号中
路径表达式结果
/bookstore/book[1]选取属于bookstore子元素的第一个book元素
//title[@lang]选取所有拥有名为lang的属性的title元素
//title[@lang=‘eng’]选取所有拥有值为eng的lang属性的title元素

路径表达式例举

路径表达式结果
/bookstore选取根元素booksotre
/bookstore/book选取属于bookstore的子元素的所有book元素
//book选取所有book子元素,而不管他们在文档中的位置
/bookstore/book选取属于bookstore元素的后代的所有book元素,而不管他们位于bookstore之下的什么位置
//@lang选取名为lang的所有属性
/bookstore/book/text()选取属于bookstore的子元素的所有book元素的文本

xpath选择器

  • Scrapy中xpath选择器
    • 基于Ixml库
  • 获取选择器的网页数据
    • extract()
      • 提取selector列表中的网页数据
      • 如果列表为空,取下标为0的网页数据会抛出异常
    • extract_first()
      • 提取selector列表中下标为0的网页数据
      • 如果列表为空,不会抛出异常,返回None

爬取从页面中提取的URL

使用场景

  • 详情页爬取
  • 多层级目录爬取

提取URL发起HTTP请求

  • 构造request对象
    • 指定HTTP请求的URL
    • 指定处理这个页面的回调方法
    • 关闭去重标记
  • 使用yield返回request对象

request与对应的response传递数据

  • meta字典

Scrapy的item模块

item的作用

  • 定义框架中数据传输的形式

定义item

  • 定义Item类并继承scrapy.Item
  • 定义变量
    • 变量名
    • 变量类型
      - scrapy.Field()
  • 使用item
    • 使用字典的方式给item赋值
      • item[“变量名”] = 赋值
  • 使用yield返回item

这篇关于Python数据爬取【大略总结】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/495007

相关文章

利用python实现对excel文件进行加密

《利用python实现对excel文件进行加密》由于文件内容的私密性,需要对Excel文件进行加密,保护文件以免给第三方看到,本文将以Python语言为例,和大家讲讲如何对Excel文件进行加密,感兴... 目录前言方法一:使用pywin32库(仅限Windows)方法二:使用msoffcrypto-too

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.

Python装饰器之类装饰器详解

《Python装饰器之类装饰器详解》本文将详细介绍Python中类装饰器的概念、使用方法以及应用场景,并通过一个综合详细的例子展示如何使用类装饰器,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录1. 引言2. 装饰器的基本概念2.1. 函数装饰器复习2.2 类装饰器的定义和使用3. 类装饰

Python 交互式可视化的利器Bokeh的使用

《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感... 目录1. Bokeh 简介1.1 为什么选择 Bokeh1.2 安装与环境配置2. Bokeh 基础2

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技