1 數(shù)據(jù)采集概述
開(kāi)始一個(gè)數(shù)據(jù)分析項(xiàng)目,首先需要做的就是get到原始數(shù)據(jù),獲得原始數(shù)據(jù)的方法有多種途徑。比如:
獲取數(shù)據(jù)集(dataset)文件
使用爬蟲(chóng)采集數(shù)據(jù)
直接獲得excel、csv及其他數(shù)據(jù)文件
其他途徑…
本次福布斯系列數(shù)據(jù)分析項(xiàng)目實(shí)戰(zhàn),數(shù)據(jù)采集方面,主要數(shù)據(jù)來(lái)源于使用爬蟲(chóng)進(jìn)行數(shù)據(jù)采集,同時(shí)也輔助其他數(shù)據(jù)進(jìn)行對(duì)比。
本文主要是介紹使用爬蟲(chóng)進(jìn)行數(shù)據(jù)采集的思路和步驟。
本次采集的福布斯全球上市企業(yè)2000強(qiáng)排行榜數(shù)據(jù),涉及年份從2007年到2017年,跨越10多年。
本次采集的目標(biāo)網(wǎng)站,是多個(gè)網(wǎng)頁(yè),但多個(gè)網(wǎng)頁(yè)的分布結(jié)構(gòu)都有所不同,雖然思路和步驟都差不多,但需要分開(kāi)來(lái)編寫(xiě),分別采集。
2 數(shù)據(jù)采集步驟
數(shù)據(jù)采集大體分為幾步:
目標(biāo)主網(wǎng)頁(yè)內(nèi)容的Download
主網(wǎng)頁(yè)上數(shù)據(jù)的采集
主網(wǎng)頁(yè)上其他分發(fā)頁(yè)面網(wǎng)站鏈接的采集
各分發(fā)網(wǎng)頁(yè)數(shù)據(jù)的download與采集
將采集的數(shù)據(jù)保存
涉及到的python庫(kù)包括,requests、BeautifulSoup以及csv。 下面以采集某年的數(shù)據(jù)為案例,來(lái)描述下數(shù)據(jù)采集的步驟。
import requestsfrom bs4 import BeautifulSoupimport csv
2.1 數(shù)據(jù)Download模塊
主要是基于 requests,代碼如下:
def download(url): headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'} response = requests.get(url,headers=headers) # print(response.status_code) return response.text
這個(gè)模塊會(huì)在主網(wǎng)頁(yè)數(shù)據(jù)下載,以及各個(gè)分頁(yè)面數(shù)據(jù)下載時(shí)使用,是一個(gè)比較通用的模塊。
2.2 主網(wǎng)頁(yè)上數(shù)據(jù)的采集
主網(wǎng)頁(yè)的頁(yè)面結(jié)構(gòu),主要分為兩個(gè)部分,一類是包含其他頁(yè)面數(shù)據(jù)的網(wǎng)頁(yè)鏈接,一類是主網(wǎng)頁(yè)上的公司數(shù)據(jù)列表,以表格形式在網(wǎng)頁(yè)上顯示。
用BeautifulSoup可以把這些數(shù)據(jù)解析出來(lái)。 代碼模塊如下:
解析主網(wǎng)頁(yè)上的公司數(shù)據(jù)列表信息
def get_content_first_page(html, year): ''' 獲取排名在1-100的公司列表,且包含表頭 ''' soup = BeautifulSoup(html, 'lxml') body = soup.body body_content = body.find('div', {'id': 'bodyContent'}) tables = body_content.find_all('table', {'class': 'XXXXtable'}) # tables一共有3個(gè),最后一個(gè)才是我們想要的 trs = tables[-1].find_all('tr') # 獲取表頭名稱 # trs[1], 這里跟其他年份不一樣 row_title = [item.text.strip() for item in trs[1].find_all('th')] row_title.insert(0, '年份') rank_list = [] rank_list.append(row_title) for i, tr in enumerate(trs): if i == 0 or i == 1: continue tds = tr.find_all('td') # 獲取公司排名及列表 row = [ item.text.strip() for item in tds] row.insert(0, year) rank_list.append(row) return rank_list
解析主網(wǎng)頁(yè)上其他頁(yè)面的網(wǎng)頁(yè)鏈接
def get_page_urls(html): ''' 獲取排名在101-2000的公司的網(wǎng)頁(yè)鏈接 ''' soup = BeautifulSoup(html, 'lxml') body = soup.body body_content = body.find('div', {'id': 'bodyContent'}) label_div = body_content.find('div', {'align':'center'}) label_a = label_div.find('p').find('b').find_all('a') page_urls = ['basic_url' + item.get('href') for item in label_a] return page_urls
2.3 各個(gè)分發(fā)頁(yè)面上的數(shù)據(jù)采集
步驟也是 網(wǎng)頁(yè)頁(yè)面下載 和表格類數(shù)據(jù)爬取。 代碼內(nèi)容跟主網(wǎng)頁(yè)頁(yè)面類似,只是細(xì)節(jié)上有些差異,這里就不作贅述了。
2.4 數(shù)據(jù)存儲(chǔ)
采集的數(shù)據(jù),最后保存到csv文件中。模塊代碼如下:
def save_data_to_csv_file(data, file_name): ''' 保存數(shù)據(jù)到csv文件中 ''' with open(file_name, 'a', errors='ignore', newline='') as f: f_csv = csv.writer(f) f_csv.writerows(data)
2.5 數(shù)據(jù)采集主函數(shù)
def get_forbes_global_year_2007(year=2007): url = 'url' html = download(url) # print(html) data_first_page = get_content_first_page(html, year) # print(data_first_page) save_data_to_csv_file(data_first_page, 'forbes_'+str(year)+'.csv') page_urls = get_page_urls(html) # print(page_urls) for url in page_urls: html = download(url) data_other_page = get_content_other_page(html, year) # print(data_other_page) print('saving data ...', url) save_data_to_csv_file(data_other_page, 'forbes_'+str(year)+'.csv')if __name__ == '__main__': # get data from Forbes Global 2000 in Year 2009 get_forbes_global_year_2007()
3 總結(jié)
本文只介紹了數(shù)據(jù)采集的思路與各個(gè)模塊,并沒(méi)有提供目標(biāo)網(wǎng)頁(yè)的鏈接, 一方面由于原始網(wǎng)頁(yè)的數(shù)據(jù)信息比較雜亂,采集的時(shí)候需要寫(xiě)多個(gè)采集程序,另外一方面,由于我們的重點(diǎn)在于后續(xù)的數(shù)據(jù)分析部分,希望不要著重于數(shù)據(jù)爬取。
在后續(xù)的分析過(guò)程中,我們會(huì)來(lái)查看數(shù)據(jù)的結(jié)構(gòu)、數(shù)據(jù)完整性及相關(guān)信息,歡迎關(guān)注微信公眾號(hào)(ID:PyDataRoad)。
本期推薦閱讀:
作者:Lemon
出處:個(gè)人微信公眾號(hào):“Python數(shù)據(jù)之道”(ID:PyDataRoad)和博客園:http://www.cnblogs.com/lemonbit/
本文版權(quán)歸作者所有,歡迎轉(zhuǎn)載,但未經(jīng)作者同意必須保留此段聲明,且在文章頁(yè)面明顯位置給出原文出處,否則保留追究法律責(zé)任的權(quán)利。
分類: Python
http://www.cnblogs.com/lemonbit/p/7220319.html