如何學(xué)會Python面向監(jiān)獄爬蟲

這篇文章主要介紹“如何學(xué)會Python面向監(jiān)獄爬蟲”，在日常操作中，相信很多人在如何學(xué)會Python面向監(jiān)獄爬蟲問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”如何學(xué)會Python面向監(jiān)獄爬蟲”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

網(wǎng)絡(luò)爬蟲簡單來說，就是從網(wǎng)絡(luò)中批量獲取自己想要的數(shù)據(jù)。

網(wǎng)上爬取數(shù)據(jù)有兩種方法可以實(shí)現(xiàn)：

•  使用官方 API

•  網(wǎng)絡(luò)抓取

API (應(yīng)用程序接口)是為了以標(biāo)準(zhǔn)的方式在不同的系統(tǒng)之間交換數(shù)據(jù)。但是，大多數(shù)時(shí)候，網(wǎng)站所有者并不提供任何 API。在這種情況下，我們只能使用 web 抓取提取數(shù)據(jù)了。

基本上，每個(gè) web 頁面都以 HTML 格式從服務(wù)器返回，這意味著我們的實(shí)際數(shù)據(jù)被很好地包裝在 HTML 元素中。這使得檢索特定數(shù)據(jù)的整個(gè)過程非常簡單和直接。

本教程將是一個(gè)自始至終的指南，讓你可以盡可能簡單的使用 Python學(xué)習(xí)爬蟲。首先，我將向你介紹一些基本的示例，讓你熟悉 web 抓取。稍后，我們將使用這些知識從 Livescore.cz 中提取足球比賽的數(shù)據(jù)。

開始

為了讓我們開始，你需要啟動一個(gè)新的 Python3 項(xiàng)目，并安裝 Scrapy (一個(gè)用于 Python 的 web 爬蟲庫)。我在本教程中使用了 pipenv，但是你也可以使用 pip 和 venv，或 conda。

pipenv install scrapy # Pipenv 安裝 scrap

現(xiàn)在，你已經(jīng)有了 Scrapy，但是你仍然需要創(chuàng)建一個(gè)新的 web 抓取項(xiàng)目，為此 Scrapy 提供了一個(gè)命令行，可以為我們完成這項(xiàng)工作。

現(xiàn)在，讓我們使用 scrapy clii 創(chuàng)建一個(gè)名為 web _ scraper 的新項(xiàng)目。

如果你像我一樣使用 pipenv，請使用：

pipenv run scrapy startproject web_scraper

或者在你自己的虛擬環(huán)境中，使用：

scrapy startproject web_scraper

這將在工作目錄中創(chuàng)建一個(gè)基本項(xiàng)目，其結(jié)構(gòu)如下:

01. 使用 XPath 

我們將從一個(gè)非常簡單的例子開始我們的網(wǎng)絡(luò)抓取教程。首先，我們將在 HTML 中定位 Live Code Stream 網(wǎng)站的標(biāo)志。正如我們所知，它只是一個(gè)文本，而不是一個(gè)圖像，所以我們將簡單地提取這個(gè)文本。

代碼

為了開始，我們需要為這個(gè)項(xiàng)目創(chuàng)建一個(gè)新的爬取器。我們可以通過創(chuàng)建一個(gè)新文件或使用 CLI 來實(shí)現(xiàn)這一點(diǎn)。

因?yàn)槲覀円呀?jīng)知道我們需要的代碼，所以我們將在這個(gè)路徑 /web_scraper/spiders/live _ code _ stream. py 上創(chuàng)建一個(gè)新的 Python 文件

下面是這個(gè)文件中的代碼。

代碼解釋

•  首先，我們導(dǎo)入了 Scrapy 庫，因?yàn)槲覀冃枰墓δ軄韯?chuàng)建一個(gè)Python web spider。這個(gè)爬蟲隨后將用于抓取指定的網(wǎng)站和提取有用的信息。

•  我們創(chuàng)建了一個(gè)類，并將其命名為LiveCodeStreamSpider。基本上，它繼承了 scrapy。這就是為什么我們把它作為一個(gè)參數(shù)來傳遞。

•  現(xiàn)在，重要的一步是使用一個(gè)名為 name 的變量為你的 spider 定義一個(gè)唯一的名稱。請記住，不允許使用現(xiàn)有 spider 的名稱。同樣，不能使用此名稱創(chuàng)建新的爬行器。它必須在整個(gè)項(xiàng)目中是獨(dú)一無二的。

•  之后，我們使用 start_urls list 傳遞網(wǎng)站 URL 。

•   parse() 的方法，該方法將在 HTML 代碼中定位標(biāo)記并提取其文本。在 Scrapy，有兩種方法可以在源代碼中找到 HTML 元素。這些都在下面提到：

        CSS 和 XPath

你甚至可以使用一些外部庫，比如 BeautifulSoup 和 lxml。但是，對于這個(gè)例子，我們使用了 XPath。

一個(gè)快速確定任何 HTML 元素的 XPath 的方法是在 Chrome Devtools 中打開它?，F(xiàn)在，只需右鍵單擊該元素的 HTML 代碼，將鼠標(biāo)光標(biāo)懸停在剛剛出現(xiàn)的彈出菜單中的“復(fù)制”上。最后，單擊“ Copy XPath”菜單項(xiàng)。

請看下面的截圖，以便更好地理解它。

順便說一下，我在元素的實(shí)際 XPath 之后使用了/text () ，只從該元素中檢索文本，而不是從完整的元素代碼中檢索。

注意：不可對上面提到的變量、列表或函數(shù)使用任何其他名稱。這些名稱是在 Scrapy 圖書館預(yù)先定義的。因此，你必須實(shí)事求是地使用它們。否則，程序?qū)o法正常工作。

運(yùn)行爬蟲

因?yàn)槲覀円呀?jīng)在命令提示符下的 web_scraper 文件夾中了。讓我們執(zhí)行 spider 并使用下面的代碼在新文件 lcs.json 中填充結(jié)果。我們得到的結(jié)果將使用 JSON 格式進(jìn)行良好的結(jié)構(gòu)化。

pipenv run scrapy crawl lcs -o lcs.json scrapy crawl lcs -o lcs.json

結(jié)果

當(dāng)執(zhí)行上面的代碼時(shí)，我們會在項(xiàng)目文件夾中看到一個(gè)新的文件 lcs.json。

下面是這個(gè)文件的內(nèi)容。

[ {"logo": "Live Code Stream"} ]

02. 使用 CSS

我們大多數(shù)人都喜歡體育運(yùn)動，比如足球。

世界各地經(jīng)常組織足球比賽。有幾個(gè)網(wǎng)站在比賽進(jìn)行時(shí)提供比賽結(jié)果的實(shí)時(shí)反饋。但是，大多數(shù)這些網(wǎng)站并沒有提供任何官方的 API。

反過來，它為我們創(chuàng)造了一個(gè)機(jī)會，使用我們的網(wǎng)絡(luò)抓取技能和提取有意義的信息，直接抓取他們的網(wǎng)站。

在他們的主頁上，他們很好地展示了今天（你訪問網(wǎng)站的日期）將要進(jìn)行的比賽和比賽。

我們可以檢索如下信息

•  比賽名稱

•  比賽時(shí)間

•  A隊(duì)隊(duì)名

•  A隊(duì)進(jìn)球數(shù)

•  B隊(duì)隊(duì)名

•  B隊(duì)進(jìn)球數(shù)

•  etc. 等等

在我們的代碼示例中，我們將提取今天有匹配的比賽名稱。

代碼

讓我們在項(xiàng)目中創(chuàng)建一個(gè)新的 spider 來檢索比賽名稱，我將項(xiàng)目命名為livescore_t.py

下面是你在 livescore _ t.py 中需要輸入的代碼：

代碼解釋

•  像往常一樣，導(dǎo)入 Scrapy

•  創(chuàng)建一個(gè)類，該類繼承 scrapy.Spider

•  給我們的爬蟲取一個(gè)獨(dú)一無二的名字 LiveScoreT 

•  提供 livescore.cz 的URL

  最后，用 parse() 函數(shù)遍歷所有匹配的包含競賽名稱的元素，并使用 yield 將其連接在一起。最后，我們會收到今天有比賽的所有比賽名稱。需要注意的一點(diǎn)是，這次我使用了 CSS 而不是XPath。

運(yùn)行

是時(shí)候看看我們的爬蟲是如何行動的了。運(yùn)行下面的命令讓 spider 到達(dá) Livescore.cz 網(wǎng)站的主頁。然后，web 抓取結(jié)果將被添加到一個(gè)名為 ls _ t.json 的新文件中。

pipenv run scrapy crawl LiveScoreT -o ls_t.json

結(jié)果

這是我們的網(wǎng)絡(luò)爬蟲在2020年11月18日從 Livescore.cz 中提取的內(nèi)容。記住，輸出可能每天都在變化。

03. 一個(gè)更高級的例子

在本節(jié)中，我們將不僅僅是檢索錦標(biāo)賽名稱，而是進(jìn)入下一個(gè)階段，獲取錦標(biāo)賽及其比賽的完整細(xì)節(jié)。

在 /web _ scraper/web _ scraper/spider/ 中創(chuàng)建一個(gè)新文件，并將其命名為 livescore.py。

代碼解釋

此文件的代碼結(jié)構(gòu)與前面的示例相同。在這里，我們只是用一個(gè)新的功能更新了 parse () 方法。

基本上，我們從頁面中提取了所有的 HTML <tr> </tr> 元素。然后，我們通過循環(huán)找出這是一個(gè)錦標(biāo)賽或比賽。如果它是一個(gè)錦標(biāo)賽，我們提取它的名字。在比賽的情況下，我們提取了它的“時(shí)間”、“狀態(tài)”和“兩支球隊(duì)的名稱和得分”

運(yùn)行

在控制臺鍵入以下命令并執(zhí)行它

pipenv run scrapy crawl LiveScore -o ls.json

結(jié)果

下面是已經(jīng)檢索到的一些樣本:

現(xiàn)在有了這些數(shù)據(jù)，我們可以做任何我們想做的事情，比如用它來訓(xùn)練我們自己的神經(jīng)網(wǎng)絡(luò)來預(yù)測未來的游戲。

到此，關(guān)于“如何學(xué)會Python面向監(jiān)獄爬蟲”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬?shí)用的文章！