纯粹干货，Python爬虫的数据采集和分析方法
off999 2024-12-16 15:20 15 浏览 0 评论
爬虫的基本工作步骤在之前已经很详细的描述过了，了解了简单的工作步骤，接下来就应该开始学习步骤当中的第一步：数据采集和数据解析。
爬虫的基础步骤分为五步：
下载数据 - requests 。
解析数据 - re / beautifulsoup4。
缓存和持久化 - pymysql 。
生成数字签名 - hashlib。
序列化和压缩 - json / zlib。
数据采集和解析是五个步骤当中的前两步，由于这五个步骤的内容较多，我们一篇文章是说不完的。
因此，在这篇文章里学记先来解释一下获取数据和解析数据这两项内容。
获取数据
在上面的获取数据的后面有所用到的库，即 Requests 库。
Requests 是Python当中的一个采集数据库，它可以将网络上的一些数据获取并收集到你的服务器当中。
Requests获取网络数据的第一步就是进行一个网络请求，使用 Requests 发送网络请求非常简单。
一开始要导入 Requests 模块：
import requests
然后，尝试获取某个网页。想要获取的网页可以直接填在后面的括号当中，记得括号中的内容为字符串模式。
r = requests.get('www.xxxxxx。com')
学记在之前的文章当中，曾经讲过HTTP这一协议，即超文本传输协议。
爬虫所获取的信息便是经由HTTP来进行传输的。
而Requests 简便的 API 意味着所有 HTTP 请求类型都是显而易见的。
使用 Requests 可以简单地发送一个 HTTP POST 请求：
r = requests.post('http://httpbin.org/post', data = {'key':'value'})
在之前的 HTTP 介绍当中，有不止 POST 一个请求，其他请求类型还有：PUT，DELETE，HEAD 以及 OPTIONS。
这些请求在 Requests 当中也和 post 一样简单。实例如下：
r = requests.put('http://httpbin.org/put', data = {'key':'value'})
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get')
使用 Requests 读取服务器响应的内容：
import requests
r = requests.get('https://api.xxxxx.com/events')
r.text
u'[{"repository":{"open_issues":0,"url":"https://xxxxx.com/...
使用 Requests 改变其读取文本时使用的编码模式：
r.encoding
'utf-8'
r.encoding = 'ISO-8859-1'
上述的是 Requests 的一些基础操作，至于如何通过 Requests 获取网页页面，步骤如下：
1，GET请求和POST请求。
2，URL参数和请求头。
3，复杂的POST请求（文件上传）。
4，操作Cookie。
5，设置代理服务器。
数据解析
在上面数据解析的后面，有两个相关库 ，一个是正则表达式的 Re ，另一个是 BeautifulSoup。由于正则表达式比较困难，入手难度较大。
所以，我们先来学习 BeautifulSoup 。
BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。
将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象，具体代码如下：
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))
soup = BeautifulSoup("<html>data</html>")
将HTML文档转换成Unicode编码：
BeautifulSoup("Sacré bleu!")
<html><head></head><body>Sacré bleu!</body></html>
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象。
有关 Python对象的知识，我们在下一篇文章进行详细的解释。
如果想学习更多科技知识，可以点击关注。
如果对文章中的内容有什么困惑的地方，可以在评论区提出自己的问题，学记同大家一起交流，解决各种问题，一起进步。
青年学记 陪伴着各位青年
作者：青年学记 一名不断进步的程序猿
一起学习 一起进步
走向自立
相关推荐
- 独家 | 5 个Python高级特性让你在不知不觉中成为Python高手
-
你已经使用Python编程了一段时间，编写脚本并解决各种问题。是你的水平出色吗？你可能只是在不知不觉中利用了Python的高级特性。从闭包（closure）到上下文管理器（contextmana...
- Python装饰器
-
Python装饰器是一种用于修改函数或类的行为的特殊语法。它们允许在不修改原始代码的情况下，通过将函数或类作为参数传递给另一个函数来添加额外的功能。装饰器本质上是一个函数，它接受一个函数作为参数，并返...
- 中高阶Python常规用法--上下文管理器
-
Python以简单性和通用性著称，是一种深受全球开发人员喜爱的编程语言。它提供了大量的特性和功能，使编码成为一种愉快的体验。在这些功能中，一个经常被新手忽视的强大工具是上下文管理器。上下文管理器是高...
- Python小案例67- 装饰器
-
Python装饰器是一种用于修改函数或类的行为的特殊语法。它们允许在不修改原始代码的情况下，通过将函数或类作为参数传递给另一个函数来添加额外的功能。装饰器本质上是一个函数，它接受一个函数作为参数，并返...
- python常用的语法糖
-
概念Python的语法糖（SyntacticSugar）是指那些让代码更简洁、更易读的语法特性，它们本质上并不会增加新功能，但能让开发者更高效地编写代码。推导式写法推导式是Python最经典的...
- python - 常用的装饰器 decorator 有哪些?
-
python编程中使用装饰器(decorator)工具，可以使代码更简洁清晰，提高代码的重用性，还可以为代码维护提供方便。对于python初学者来说，根据装饰器(decorator)的字面意思并不...
- python数据缓存怎么搞 ?推荐一个三方包供你参考，非常简单好用。
-
1.数据缓存说明数据缓存可以说也是项目开发中比不可少的一个工具，像我们测试的系统中，你都会见到像Redis一样的数据缓存库。使用缓存数据库的好处不言而喻，那就是效率高，简单数据直接放在缓存中...
- 用于时间序列数据的Graphite监视工具
-
结合第三方工具，Graphite为IT性能监控提供了许多好处。本文介绍其核心组件，包括Carbon、Whisper以及安装的基本准则。Graphite监视工具可实时或按需，大规模地绘制来自多个来源的时...
- Python3+pygame实现的坦克大战
-
一、显示效果二、代码1.说明几乎所有pygame游戏，基本都遵循一定的开发流程，大体如下：初始化pygame创建窗口while循环检测以及处理事件（鼠标点击、按键等）更新UI界面2.代码创建一个m...
- Python之鸭子类型:一次搞懂with与上下文装饰器
-
引言在鸭子类型的理念的基础之上，从关注类型，转变到关注特性和行为。结合Python中的魔法函数的体系，我们可以将自定义的类型，像内置类型一样被使用。今天这篇文章中，接着该话题，继续聊一下with语法块...
- Python必会的50个代码操作
-
学习Python时，掌握一些常用的程序操作非常重要。以下是50个Python必会的程序操作，主要包括基础语法、数据结构、函数和文件操作等。1.HelloWorldprint("Hello,...
- 一文掌握Python 中的同步和异步
-
同步代码（Sync）同步就像在一个流水线上工作，每个任务都等待前一个任务完成。示例：机器A切割钢板→完成后，机器B钻孔→完成后，机器C上色。在Python中，同步代码看起来像这样：im...
- python 标注模块timeit: 测试函数的运行时间
-
在Python中，可以使用内置的timeit模块来测试函数的运行时间。timeit模块提供了一个简单的接口来测量小段代码的执行时间。以下是使用timeit测试函数运行时间的一般步骤：导入...
- Python带你找回童年的万花尺
-
还记得小时候的万花尺吧？这么画：一点也不费脑筋，就可以出来这么多丰富多彩的复杂几何图形。具体而言，可以用万花尺玩具（如图2-1所示）来绘制数学曲线。这种玩具由两个不同尺寸的塑料齿轮组成，一大一小。小的...
- Python 时间模块深度解析:从基础到高级的全面指南
-
直接上干货一、时间模块核心类介绍序号类名说明1datetime.datetime表示一个具体的日期和时间，结合了日期和时间的信息。2datetime.date表示一个具体的日期。3datetime.t...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- python计时 (54)
- python安装路径 (54)
- python类型转换 (75)
- python进度条 (54)
- python的for循环 (56)
- python串口编程 (60)
- python写入txt (51)
- python读取文件夹下所有文件 (59)
- java调用python脚本 (56)
- python操作mysql数据库 (66)
- python字典增加键值对 (53)
- python获取列表的长度 (64)
- python接口 (63)
- python调用函数 (57)
- python qt (52)
- python人脸识别 (54)
- python斐波那契数列 (51)
- python多态 (60)
- python命令行参数 (53)
- python匿名函数 (59)
- python打印九九乘法表 (65)
- centos7安装python (53)
- python赋值 (62)
- python异常 (69)
- python元祖 (57)