前言

在当前数据爆发的时代，数据分析行业势头强劲，越来越多的人涉足数据分析领域。面对大量数据，人工获取信息的成本高、耗时长、效率低，那么是否能用代码去完成大量复杂的工作，从而从网络上获取到目标信息？由此，网络爬虫技术应运而生。

本文目录，你将会看到

• 网络爬虫简介
• 实例分析
• 示例背景
• 问题总括
• 示例全代码
• 数据处理与可视化之Altair
• 后言-python爬虫相关库

网络爬虫简介

网络爬虫（webcrawler，又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种用来自动浏览万维网的程序或者脚本。爬虫可以验证超链接和HTML代码，用于网络抓取（Webscraping）。传统爬虫从一个或若干初始网页URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。爬虫访问网站的过程会消耗目标系统资源，因此在访问大量页面时，爬虫需要考虑到规划、负载等问题。

实例分析

示例背景

1. 利物浦足球俱乐部（Liverpool F.C.），简称利物浦，球队位于英格兰西北默西赛德郡港口城市利物浦，于1892年成立，是英格兰足球超级联赛的球队之一。2018/19赛季，利物浦2比0战胜热刺，历史上第六次捧起欧洲冠军联赛冠军奖杯。
2. 目标网站：T足球（http://tzuqiu.cc/）

问题总括

1. 为研究利物浦球队在欧冠中的整体表现，现需从T足球网站中获取利物浦在18/19赛季欧冠中的所有比赛的比赛报告，其中包括：数据类型分析、总计、球队进攻分布、球队数据以及TOP球员数据，并将其结果存储为本地文件，以便后续数据分析工作。
   
2. 操作思路：首先查看该网站的robohttp://tzuqiu.cc/matches/56141/report.dots协议（Robots Exclusion Protocol），获取目标网址、请求访问、获取源码文本、选择目标信息、存储文件。
3. 问题分析：该网站上没有18/19赛季比赛的专栏，提前通过度娘，检索到共有13场比赛（6场积分赛、7场淘汰赛）比赛时间，获取网址需要自行选择比赛时间后才能查看到当场比赛网址。其中C组积分赛事情况见下表。

时间	赛况	网址
2018年9月18日	利物浦 3:2 巴黎圣日耳曼	http://tzuqiu.cc/matches/56141/report.do
2018年10月3日	那不勒斯 1:0 利物浦	http://tzuqiu.cc/matches/56138/report.do
2018年10月24日	利物浦 4:0 贝尔格莱德红星	http://tzuqiu.cc/matches/56139/report.do
2018年11月6日	贝尔格莱德红星 2:0 利物浦	http://tzuqiu.cc/matches/56147/report.do
2018年11月28日	巴黎圣日耳曼 2:1 利物浦	http://tzuqiu.cc/matches/56144/report.do
2018年12月11日	利物浦 1:0 那不勒斯	http://tzuqiu.cc/matches/56146/report.do

• 在目标网址中仅有“数字码”不一致，猜测剩下7场比赛网址（url）结构一致。同理，获取到剩下7场淘汰赛的“数字码”，将13个“数字码“放在一个列表中，并构造链接”

urls = [56141,56138,56139,56147,56144,56146,56933,56931,57970,57967,58344,58341,58471]
for url_0 in urls:
    url = "http://tzuqiu.cc/matches/" + str(url_0) + "/report.do"
    print(url)

• 接下来需要先请求访问网站，获取源码文本数据，首先利用requests库进行请求，再获取文本。python的第三方库requests库安装方法：本地搜索：cmd (命令提示符)，键入代码后等待下载安装（Tip：对于python中大多数第三方库都可以通过程序命令符pip程序进行下载、安装、删除等）。

pip install requests

• 由于爬虫代码是在短时间内多次访问目标网站，会对目标网站造成资源浪费，网站可能会建立有反爬虫机制，在请求访问网站时，目标网站会对申请访问对象进行身份识别。因此，需要先将爬虫代码伪装为一个浏览器，构造“请求头”，即：

heads = {
    
     'Connection': 'keep-alive',
    'Accept-Language': 'zh-CN,zh;q=0.9',
     'Accept': 'text/html,application/xhtml+xml,application/xml;\
     q=0.9,image/webp,image/apng,*/*;q=0.8',
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36\
    (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',}
    

• 申请访问后，若目标网站回应“Response [200]”则表示成功，若为Response [404]或者其他则可以粗略理解为失败。

import requests
url = "http://tzuqiu.cc/matches/56141/report.do"
response = requests.get(url, headers = heads)
print(response)
#返回结果：Response [200]

• 成功访问后，获取源码，以便分析，可以打印浏览，也可以忽略打印，在网页中直接分析

content = response.text

• 打开目标网站-鼠标右键-检查/查看网页源代码，观察目标信息位置以及规律特征
  
• 发现“数据类型分析”的“射门”与“传球”信息都存储在一个“div”标签 属性满足唯一字典，标签下的文本无其他干扰信息，同理可发现另外三个板块的字典信息。

类型	div标签下特征字典
数据类型分析	{“class”:“tabbable smallTab”}
总计	{“class”:“team-stats team-stats-table”}
球队进攻分布	{“class”:“col-xs-4 team-stats team-stats-compare”}
球队数据、TOP球员数据	{“class”:“col-xs-4 side-bar”}

• 可利用BeautifulSoup库中find_all()函数查找目标信息，由于观察到该网页一个的特殊字典唯一，所以也可以用find（）方法，查找到目标信息后，提取div标签下的所有文本信息。（BeautifulSoup库的安装-在cmd环境下键入：pip install bs4）

string = ["tabbable smallTab","team-stats team-stats-table",
              "col-xs-4 team-stats team-stats-compare","col-xs-4 side-bar"]
s_sum = []
for reast in string:
        tagss = soup.find_all('div',attrs = {
    "class":reast})
        for tags in tagss:
        print(tags.text)

• 对数据进行格式清洗，去掉所有的空格、转行，并以逗号分隔添加到列表

for tags in tagss:
	s_old = re.sub(r"\s+",",",tags.text)
	s_new = s_old.strip(",''")
	s_sum.append(s_new)
	s_sum_new = str(s_sum).replace("'","") 

• 到此已经爬取完网页上的所有目标信息，接下来将数据存储为txt文本

f = open(r"存储路径\py_txt文本_sum.txt",'w')
f.writelines([s_sum_new,'\n'])
f.close()

• txt文本以逗号为制表符转换成excel文件。也可以直接将爬取的数据以excel文件存储【Python实现的HTML/XML处理库，仅需少量代码，效率相对较低】但不清楚爬取的数据内部结构，可能会导致excel表格式杂乱无章，故用txt文本更为简便。

import xlwt
import os 
import sys
def txt_xls(filename,xlsname):
    try:
        f = open(filename)
        xls = xlwt.Workbook()
      
        sheet = xls.add_sheet('sheet',cell_overwrite_ok=True)
        x = 0   
        while True:     
            line = f.readline()     
            if not line:  
                break
            for i in range(len(line.split(','))):   
                item = line.split(',')[i]
                sheet.write(x,i,item)     
            x += 1 
        f.close()
        xls.save(xlsname)        
    except:
        raise
if __name__ == '__main__':
    filename = 'txt文本存储本地路径.txt'
    xlsname = 'excel存储地址.xlsx'
    txt_xls(filename,xlsname)

• excel表格转换成csv文件，虽然csv打开方式与xlsx一样,但文件属性各异。

import xlwt
import pandas as pd
file = '文件路径/py_excel表格_sum.xlsx'
outfile = '文件路径/py_csv文件_sum.csv'
def xlsx_to_csv_pd():
    data_xls = pd.read_excel(file, index_col=0)
    data_xls.to_csv(outfile, encoding='utf-8')
if __name__ == '__main__':
    xlsx_to_csv_pd()

• 优化爬虫：在爬取过程中，经常会遇到“无限循环”“爬取结果为空”等情况，并不知道爬虫进展如何，则可以通过简单的语言实现爬虫进度。例如：

for i in range(len(urls)):
	print("正在爬取第%d个网站"%i)

• 利用time库的时间戳，记录程序运行耗时

import time
star_time = time.time()
##爬虫代码
end_time = time.time()
spend_time = end_time - star_time
print(spend_time)

• 则整个爬虫过程进度可视化
  

示例全代码

import requests
import re
from bs4 import BeautifulSoup
import time
import xlwt
import os 
import sys
import pandas as pd
print("爬虫计时开始...")
star_time = time.time()
heads = {
    
     'Connection': 'keep-alive',
    'Accept-Language': 'zh-CN,zh;q=0.9',
     'Accept': 'text/html,application/xhtml+xml,application/xml;\
     q=0.9,image/webp,image/apng,*/*;q=0.8',
     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36\
    (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',}
urls = [56141,56138,56139,56147,56144,56146,56933,56931,57970,57967,58344,58341,58471]
f = open(r"D:\Users\py_txt文本_sum.txt",'w')
m = 1
for url_0 in urls:
    print("已成功爬取第%d场比赛"%m)
    m += 1
    url = "http://tzuqiu.cc/matches/" + str(url_0) + "/report.do"
    response = requests.get(url, headers = heads)
    content = response.text
    soup = BeautifulSoup(content,"lxml")
    string = ["tabbable smallTab","team-stats team-stats-table",
              "col-xs-4 team-stats team-stats-compare","col-xs-4 side-bar"]
    for reast in string:
        s_sum = []
        tagss = soup.find_all('div',attrs = {
    "class":reast})
        for tags in tagss:
            s_old = re.sub(r"\s+",",",tags.text)
            s_new = s_old.strip(",''")
            s_sum.append(s_new)
        s_sum_new = str(s_sum).replace("'","")   
        f.writelines([s_sum_new,'\n'])    
f.close()
def txt_xls(filename,xlsname):
    try:
        f = open(filename)
        xls = xlwt.Workbook() 
        sheet = xls.add_sheet('sheet',cell_overwrite_ok=True)
        x = 0   
        while True:    
            line = f.readline()    
            if not line:    
                break
            for i in range(len(line.split(','))):  
                item = line.split(',')[i]
                sheet.write(x,i,item)      
            x += 1 
        f.close()
        xls.save(xlsname)       
    except:
        raise  
if __name__ == '__main__':
    filename = 'D:/Users/soccer_sum/py_txt文本_sum.txt' 
    xlsname = 'D:/Users/py_excel表格_sum.xlsx'
    txt_xls(filename,xlsname)
file = 'D:/Users/py_excel表格_sum.xlsx'
outfile = 'D:/Users/py_csv文件_sum.csv'
def xlsx_to_csv_pd():
    data_xls = pd.read_excel(file, index_col=0)
    data_xls.to_csv(outfile, encoding='utf-8')
if __name__ == '__main__':
    xlsx_to_csv_pd()
end_time = time.time()
time = end_time - star_time
print("爬虫结束，TXT文本、excel表格、csv文件保存成功")
print("计时结束，共耗时：%d秒"%time)

• 最终爬取结果
  

数据处理与可视化之Altair

Altair是一个专为Python编写的可视化软件包，它能让数据科学家更多地关注数据本身和其内在的联系。

• 绘制图表

chart = alt.Chart(cars)

• Chart有三个基本方法：数据（data）、标记（mark）和编码（encode）

alt.Chart(data).mark_point().encode(
encoding_1='column_1',
encoding_2='column_2',
# etc.
)

• 进一步了解编码具体内容

变量	名称
x	x轴数值
y	y轴数值
color	标记点颜色
size	标记点的大小
opacity	标记点的透明度
row	按行分列图片
column	按列分列图片

绘制二维图

alt.Chart(cars).mark_line().encode(
x='Miles_per_Gallon',
y='Horsepower'
)

• 交互图形，在选择功能上，我们能做出一些更酷炫的高级功能，例如对选中的数据点进行统计，生成实时的直方图。
  
• 在统计学上，我们还能定义平均值的置信区间，为了让图表更好看，可以分别列出三个不同的平均值置信区间

alt.Chart(cars).mark_area(opacity=0.3).encode(
x=alt.X(‘Year’, timeUnit=’year’),
y=alt.Y(‘ci0(Miles_per_Gallon)’, axis=alt.Axis(title=’Miles per Gallon’)),
y2=’ci1(Miles_per_Gallon)’,
color=’Origin’
).properties(
width=600
)

后言-python爬虫相关库

• python网络爬虫技术相关库

库名	简介
urllib	Python内置的httpP请求库，提供一系列用于操作url的功能
Requests	基于urllib，采用Apache2 Licensed开源协议的HTTP库
urllib	提供多种python所没有的重要特性：线程安全，连接池，客户端SSL/TLS验证等
scrapy	一个为了爬取网站数据，提取结构性数据而编写的应用框架
lxml	C语言编写高效HTML/XML处理库，支持XPath
BeautifulSoup	纯Python实现的HTML/XML处理库，仅需少量代码，效率相对较低

END:创作不易，点个关注呗~

---