一.速成HTML
html:超文本标记语言。
文档的第一行就表明这是一个html文档。根标签是html,然后下面有head和body,head里面是一些头信息,body就是我们想把页面渲染成什么样。
声明字符编码是UTF-8的。
前端技术语言体系:
html
css:层叠样式表
js:javaScript
树形关系:先辈、父、子、兄弟、后代
二.xpath
/:从根节点来进行选择元素
//:从匹配选择的当前节点来对文档中的节点进行选择
.:选取当前节点
..:选择当前节点的父节点
@:选择属性
实例:
/html:选取根元素html
body/div:选取属于body的子元素中的所有div元素
//div:选取所有div标签的子元素,而不管他们在html文档中的位置
@lang:选取名称为lang的所有属性
通配符
*:匹配任何元素节点
@*:匹配任何属性节点
实例:
//*:选取文档当中的所有元素
//title[@*]:选取所有带有属性的title元素
|:在路径表达式中,|代表的是和的关系,如//body/div | //body/li表示选取body元素的所有div元素和li元素
//div | //li:选取文档中所有的div和li元素
三.BuautifulSoup的介绍
什么是beautifulSoup?
是一个可以从html或者是xml文件中提取数据的一个python库
安装命令:pip install beautifulsoup4
在PyCharm的Terminal窗口输入上面的安装命令即可以安装。
我这里是从同花顺随机打开一支个股,找到公司资料->高管介绍,通过F12的方式找到对应的html文件,然后将其另存为到本地名为000004.html
然后编写解析代码:
'''什么是beautifulSoup?
是一个可以从html或者是xml文件中提取数据的一个python库
pip install beautifulsoup4'''
from bs4 importBeautifulSoup
html_doc= "E:/Python/PythonStudy/000004.html"html_file= open(html_doc,"r", encoding="gbk")
html_handle=html_file.read()
soup= BeautifulSoup(html_handle, 'html.parser')print(soup)
运行效果:
特别说明,由于这里下载下来的文档的格式是GBK编码,我们如果强制指定UTF-8编码的话,就会报错。
四.如何使用BuautifulSoup中的选择器
'''什么是beautifulSoup?
是一个可以从html或者是xml文件中提取数据的一个python库
pip install beautifulsoup4'''
from bs4 importBeautifulSoupimportre
html_doc= "E:/Python/PythonStudy/000004.html"html_file= open(html_doc,"r",encoding="gbk")
html_handle=html_file.read()
soup= BeautifulSoup(html_handle, 'html.parser')#print(soup)
#获取html文档头#print(soup.head)
#获取文档中的一个节点
print(soup.p)#获取节点中的属性
print(soup.p.attrs)#获取所有的相应的节点
ps = soup.find_all("p")#print(ps)
#用ID来进行定位
result = soup.find_all(id="quotedata")print(result)#按照CSS来搜索
jobs = soup.find_all("td", class_="jobs")print(jobs)
names= soup.find_all("a", class_="turnto")print(names)
r= re.findall(">(.{2,5})", str(names))print(r)
五.Scrapy基础环境
在PyCharm中输入pip install scrapy安装scrapy。但报error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools"错误,网上查了有如下两种方式解决,一种是根据报错信息去官网下载 Microsoft Visual C++ 14.0,另一种方式就是去https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载twisted对应版本的whl文件Twisted‑18.9.0‑cp37‑cp37m‑win_amd64.whl,cp后面是python版本,amd64代表64位,运行pip install E:\Python\Twisted-18.9.0-cp37-cp37m-win_amd64.whl(路径是你存放Twisted下载存放的目录)
将手动下载的Twisted安装后,再运行pip install scrapy命令安装scrapy。
importscrapy
html= scrapy.Request("/600004/company/#detail")print(html)
如上输出表示scrapy安装成功了。
scrapy和beautiful soup的区别?beautiful soup只能说是一个库,一个python的三方库,scrapy是一个框架。框架和库的不同之处在于:库拿过来然后到你的工程里边直接写,框架它会自动的帮你做很多事,你到框架里边去填充你这些东西。
这时,在part6下创建了stock_spider
这时,正确的用法是,在PyCharm打开这个项目。
六.Scrpay使用逻辑介绍
进入stock_spider目录下,创建爬虫命令:scrapy genspider tonghuashun /600004/company/#detail
但发现一直提示srcapy不是内部或外部命令,不得已我又在我的Python的安装目录下重新安装scrapy。
执行创建爬虫的命令:scrapy genspider tonghuashun /600004/company/#detail
打开tonghuashun.py
进入/600004/company/#detail页面,按F12,定位元素后,右键->Copy->Copy XPath,获得预解析的文档路径信息。
tonghuashun.py内容如下:
#-*- coding: utf-8 -*-
importscrapyclassTonghuashunSpider(scrapy.Spider):
name= 'tonghuashun'allowed_domains= ['']
start_urls= ['/600004/company/#detail/']defparse(self, response):#//*[@id="ml_001"]/table/tbody/tr[1]/td[1]/a
res_selector = response.xpath("//*[@id=\"ml_001\"]/table/tbody/tr[1]/td[1]/a")print(res_selector)pass
为了测试,在stock_spider下新建main.py内容如下,用来测试调试验证
运行发现报“ModuleNotFoundError: No module named 'win32api'”错误,于是进入python安装目录下,执行pip install pywin32命令。
但执行main.py后,没有输入任何的内容。
于是F12分析,找到真正的URL是/600004/company.html,XPath是正确无误的。
动态页面:我的页面是从数据库或其他地方得到,然后渲染的页面
静态页面:所见即所得
修改后tonghuashun.py内容如下所示:
#-*- coding: utf-8 -*-
importscrapyclassTonghuashunSpider(scrapy.Spider):
name= 'tonghuashun'allowed_domains= ['']#start_urls = ['/600004/company/#detail/']
start_urls = ['/600004/company.html']defparse(self, response):#//*[@id="ml_001"]/table/tbody/tr[1]/td[1]/a
res_selector = response.xpath("//*[@id=\"ml_001\"]/table/tbody/tr[1]/td[1]/a")print(res_selector)pass
'''动态页面:我的页面是从数据库或其他地方得到,然后渲染的页面
静态页面:所见即所得'''
运行效果如下:
当然,我们希望是获取a标签中的文本值,怎么获取呢?其实就在选择器后面加上/text()即可获得。
然后可以通过res_selector.extract()拿到文本值,如下所示:
七.定位
但上面的那种定位调试太慢,其实在我们创建这个爬虫之前有一个scrapy shell命令,它可以很直观的反馈元素是否定位到,即可以用scrapy shell命令调试xpath定位。
输入命令:scrapy shell /600004/company.html后,可输入response.xpath("//*[@id=\"ml_001\"]/table/tbody/tr[1]/td[1]/a/text()").extract()看是否可以定位到。
下面分析定位所有董事:
然后,把这代码放到工程中实现:
进一步看另一个实例:
八.爬虫
因为程序爬同花顺网站,可能会因为速度过快被同花顺把我们本地的IP给封了,而我们是来学习的,所以下面将用/来进行练习。
下面先来创建一个虫。
修改stock.py内容如下:
#-*- coding: utf-8 -*-
importscrapyfrom urllib importparseclassStockSpider(scrapy.Spider):
name= 'stock'allowed_domains= ['/']
start_urls= ['/']defparse(self, response):
post_urls= response.xpath("//a/@href").extract()for post_url inpost_urls:yield scrapy.Request(url=parse.urljoin(response.url, post_url), callback=self.parse_detail, dont_filter=True)pass
defparse_detail(self, response):print("回调函数被调用")pass
url=parse.urljoin(response.url, post_url):url域名拼接,如果有域名就不加域名,如果没有域名就加上域名。
callback=self.parse_detail:定义一个函数,来对响应进行解析
dont_filter=True:是否不要启动scrapy过滤器过滤非正规URL
yield:在这里是把它交给scrapy进行处理,和return差不太多
并修改main.py,运行
九.定位页面元素
十.处理抓取信息
pipelines就是处理我们数据的,要想让程序能进入pipelines,必须先在items.py中定义
窗口分隔完后,可以方便定义变量
定义变量后,然后在stock.py中进行处理
以上都处理完后,还要在settings.py中进行设置。
这时在pipelines.py中打断定,Debug运行main.py,可以看到数据都已获取到。
此时,相关的代码如下:
stock.py
#-*- coding: utf-8 -*-
importscrapyimportrefrom urllib importparsefrom stock_spider.items importStockItemclassStockSpider(scrapy.Spider):
name= 'stock'allowed_domains= ['/']
start_urls= ['/']defparse(self, response):
post_urls= response.xpath("//a/@href").extract()for post_url inpost_urls:yield scrapy.Request(url=parse.urljoin(response.url, post_url), callback=self.parse_detail, dont_filter=True)pass
defparse_detail(self, response):
stock_item=StockItem()#董事会成员姓名
stock_item["names"] =self.get_tc(response)#抓取性别信息
stock_item["sexes"] =self.get_sex(response)#抓取年龄信息
stock_item["ages"] =self.get_age(response)#股票代码
stock_item["codes"] =self.get_code(response)#职位信息
stock_item["leaders"] = self.get_leader(response, len(stock_item["names"]))#可以这里在写文件存储逻辑,当然,scrapy框架是让我们写到pipelines中去,但要能在pipelines中处理,就要用到items,在items.py中定义属性
yieldstock_itemdefget_tc(self, response):
tc_names= response.xpath("//*[@id=\"ml_001\"]/table/tbody/tr[1]/td[1]/a/text()").extract()returntc_namesdefget_sex(self, response):#//*[@id="ml_001"]/table/tbody/tr[1]/td[1]/div/table/thead/tr[2]/td[1]
infos = response.xpath("//*[@class=\"intro\"]/text()").extract()
sex_list=[]for info ininfos:try:
sex= re.findall("[男|女]", info)[0]
sex_list.append(sex)except(IndexError):continue
returnsex_listdefget_age(self, response):
infos= response.xpath("//*[@class=\"intro\"]/text()").extract()
age_list=[]for info ininfos:try:
age= re.findall("\d+", info)[0]
age_list.append(age)except(IndexError):continue
returnage_listdefget_code(self, response):
infos= response.xpath('/html/body/div[3]/div[1]/div[2]/div[1]/h1/a/@title').extract()
code_list=[]for info ininfos:
code= re.findall("\d+", info)[0]
code_list.append(code)returncode_listdefget_leader(self, response, length):
tc_leaders= response.xpath("//*[@class=\"tl\"]/text()").extract()
tc_leaders=tc_leaders[0:length]return tc_leaders
items.py
#-*- coding: utf-8 -*-
#Define here the models for your scraped items#
#See documentation in:#/en/latest/topics/items.html
importscrapyclassStockSpiderItem(scrapy.Item):#define the fields for your item here like:
#name = scrapy.Field()
pass
classStockItem(scrapy.Item):
names=scrapy.Field()
sexes=scrapy.Field()
ages=scrapy.Field()
codes=scrapy.Field()
leaders= scrapy.Field()
pipelines.py
#-*- coding: utf-8 -*-
#Define your item pipelines here#
#Don't forget to add your pipeline to the ITEM_PIPELINES setting#See: /en/latest/topics/item-pipeline.html
classStockSpiderPipeline(object):defprocess_item(self, item, spider):returnitemclassStockPipeline(object):defprocess_item(self, item, spider):print(item)return item
十一.数据处理
数据处理的相关代码pipelines.py,就是获得数据,按格式写入到文件中。
pipelines.py
#-*- coding: utf-8 -*-
#Define your item pipelines here#
#Don't forget to add your pipeline to the ITEM_PIPELINES setting#See: /en/latest/topics/item-pipeline.html
importosclassStockSpiderPipeline(object):defprocess_item(self, item, spider):returnitemclassStockPipeline(object):def __init__(self):#类被加载时要创建一个文件
self.file = open("executive_prep.csv", "a+")defprocess_item(self, item, spider):#判断文件是否为空,为空写:高管姓名,性别,年龄,股票代码,职位,不为空那么就追加写文件
if os.path.getsize("executive_prep.csv"):#开始写文件
self.write_content(item)else:
self.file.write("高管姓名,性别,年龄,股票代码,职位\n")
self.file.flush()returnitemdefwrite_content(self, item):
names= item["names"]
sexes= item["sexes"]
ages= item["ages"]
codes= item["codes"]
leaders= item["leaders"]
result= ""
for i inrange(len(names)):
result= names[i] + "," + sexes[i] + "," + ages[i] + "," + codes[i] + "," + leaders[i] + "\n"self.file.write(result)
运行main.py,生成executive_prep.csv内容如下:
到目前为止,学习了基本的爬虫,整个爬虫用scrapy框架,scrapy框架每个模块是怎么工作的,从数据的抓取,然后数据处理,包括数据持久化(有写到文件中,也有写到数据库中),在这里作为初学者先写到文件里,整个流程串起来了。
其实可以把数据保存到数据库中去,如Neo4j数据库,但是格式需要按Neo4j数据库所要求的.csv格式才能导入。
neo4j数据库下载地址:/download-center/#panel2-3,下载解压后,启动服务:bin/neo4j start,初始用户名/密码neo4j/neo4j,按照提示修改密码。
假设我们先爬取到了关联的数据并放到CSV文件中了,且通过数据转换成neo4j数据库所要求的csv格式,可以通过如下命令将所有的数据导入到Neo4j中:
bin/neo4j-admin import --nodes executive.csv --nodes stock.csv --nodes concept.csv --nodes industry.csv --relationships executive_stock.csv --relationships stock_industry.csv --relationships stock_concept.csv
数据默认存放在 graph.db 文件夹里。如果graph.db文件夹之前已经有数据存在,则可以选择先删除再执行命令。
把Neo4j服务重启之后,就可以通过 localhost:7474 观察到知识图谱了。
如果觉得《python入门爬虫案例_[Python入门学习]-爬虫项目案例讲解》对你有帮助,请点赞、收藏,并留下你的观点哦!