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!5 V. S& U, t4 b* ?9 A$ I$ E. B
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
7 q; @6 A2 L+ z9 ^) Q) j% s9 o' U 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。
& @8 s/ L, U$ @% I
% V, C( B0 L4 ` 步骤一:熟悉Python的基本语法。
9 c$ S- \& e% `! N6 e- Y 已经熟悉Python的直接跳到步骤二。$ T, e& X3 A0 W6 h, b6 p) A. P, R2 D
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。4 P# t, }7 H' W7 y; U* S
(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 , t7 D9 [8 e4 p/ x
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。
$ R( A$ ^# X$ H4 T9 A; ^( y9 z (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。 2 s" Z0 O0 R+ d" q& R( v( j- f
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。: U! i) q" g7 p+ v
2 Q+ ^3 r% R% a
$ R# `/ ]5 i; m 步骤二:学会如何与网站建立链接,得到网页数据。 ( ?# i& W. v' Z: b" u& `' m8 F
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。! D# T5 X1 g; h. u6 H+ [* g! J
下面的代码演示如何用urllib2与google scholar进行交互,获得网页信息。
2 Q( B4 d; p2 L! o4 B0 p # 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(), I; u3 x% l0 | A8 k
# M; d# p! b3 r8 c. C2 ^: ~
复制代码 0 [6 I) p2 m" n# F2 ?& k" w Z
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。 _( j; G: n9 H! ^% E8 h. d, U" Y5 l
: \6 I% e& w* C: D 步骤三、解析网页
9 J+ T" q: j/ \- M3 g; E8 j 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,
$ m6 E+ e$ r( R3 t: K: c, z; _ 你需要解析这个网页。$ x% a8 X- u; E7 @3 @3 `- H
解析网页的方法:
0 P" {- N+ j: @ (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 0 y# G3 s' m. G9 c4 U( ^
(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:
! S: W: {6 L8 S0 n" h, y! M4 H (3) 上面两种方法结合使用。" k; P+ S. [, X8 e
# 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]
" A+ V; ]& K) x* C9 Z& T 2 {4 x4 j) i4 q9 H X1 Z
复制代码 ! P2 }+ `: v" x1 t# V
4 s3 E! @. G2 G. @
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。# V9 K/ k9 n- ~) x
2 h0 L& y( M* U& g- v$ E- V 步骤四:存取数据
- E6 C, b* U5 @" L! @ 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。; V# X; K' P+ N! t% B; x
(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:
4 W- [% f$ m" S / |3 s J- Q" k) t
# 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()
1 H4 ~( A+ V! ^* y/ H" r" X
, k% G; Z9 R2 d 复制代码 " Y2 q/ h- K' [( i! V
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?
" U3 X0 B, X5 d0 U/ A (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。) |1 ~9 g1 F2 p, N5 ~1 K
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。 % |. w- L) p3 i7 o; m
%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
8 ~. r( f3 y. r 5 c4 Y" I8 Z8 o4 m+ U) c0 I7 Z) w: p# o
复制代码
3 B% h1 @8 F( @; U 使用MySQLdb模块代码示例:
- Z9 \% q: ^6 f3 C' X# N6 X # 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(): _. t" h3 c) I h$ l6 Z
% F+ v% M1 m- [& y" R% d$ n' f# {
复制代码
3 ?8 R0 ?! r' Z6 n: T ; H) @' ~7 n) d5 q* a6 ?6 h$ [
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。% k! \% o) z. {- ]4 o' x1 |3 h
关于编码的问题,附一篇我看到的博文<python编码问题总结 >: , F4 J% w1 H/ `( ?& Z
http://www.xprogrammer.com/1258.html
. U# L) r! W6 ~2 W; L! I ! ^+ i+ M9 z0 q! {" x. ~
后记: 2 R5 w3 `# d0 w, e( B$ J
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。4 }. v6 r U- p2 m! R, s
上面有什么地方讲不清楚的,欢迎交流。' M, K- V2 U' J: `! R% N
# A% m; e: y% f1 E; p* V8 G) K( o 特别注意: ( V3 _3 y' [& N$ l
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。
) O2 Y* M* D+ s 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。* b# R. x1 B! n# v& X( _
# [* s: M R5 T2 Q& E
zan