教你如何用Python做网页爬虫

风之物语 · 发表于 2018-9-28 15:09:43

本文为 AI 研习社编译的技术博客，原标题：Web Scraping Using Python

翻译 | 余杭校对 | 志豪整理 | 志豪

在本教程中，您将学习如何从web提取数据、使用Python的Pandas库操作和清理数据，以及使用Python的Matplotlib库来实现数据可视化。

Web抓取是一个用来描述使用程序或算法从Web中提取和处理大量数据的术语。无论您是数据科学家、工程师还是分析大数据集的人，从web上获取数据的能力都是一项有用的技能。假设您从web中找到数据，并且没有直接的方法来下载它，使用Python进行web抓取是一种技巧，您可以使用它将数据提取到并导入到有用的表单中。

在本教程中，您将了解以下内容:

使用Python Beautiful Soup模块从web中提取数据
使用Python的panda库进行数据操作和清理
使用Python的Matplotlib库进行数据可视化

本教程中使用的数据集取自于发生在希尔斯伯勒2017年6月的10公里比赛。你将分析跑者的表现，并回答以下问题:

跑步者的平均完成时间是多少?
跑者的完成时间是否服从正态分布?
不同年龄段的男性和女性在表现上有什么不同吗?

使用Beautiful Soup进行网页抓取

在使用Jupyter Notebook 之前，你需要导入以下模块：
pandas, numpy, matplotlib.pyplot, seaborn。如果您还没有安装Jupyter笔记本，我建议您下载安装Anaconda Python发行版，因为这个确实太好用了，而且自带了很多模块。为了方便在程序中显示图表，请确保按如下所示的方式包含%mattplotlib 。

[size=2]import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns
%matplotlib inline[/size]

复制代码

要执行web抓取，还应该导入如下所示的库：urllib.request 模块用于打开url。这个Beautiful Soup用于从html文件中提取数据。模块中 Beautiful Soup 的别名(缩写)是 bs4 ,4 是第四个版本。

[size=2]from urllib.request import urlopenfrom bs4 import BeautifulSoup[/size]

复制代码

导入必要的模块后，指定包含数据集的URL，并将其传递给 urlopen()，得到返回的html。

[size=2]url = "http://www.hubertiming.com/results/2017GPTR10K"html = urlopen(url)[/size]

复制代码

获取页面html后，下一步就是从html 创建一个Beautiful Soup 对象，这很简单，将html 传给构造函数就行。 Beautiful Soup 的方法会解析html，分解为python 对象。第二个参数“lxml” 是html的解析器。只管用吧。

[size=2]soup = BeautifulSoup(html, 'lxml') type(soup)
bs4.BeautifulSoup[/size]

复制代码

soup对象允许您提取关于您正在抓取的网站的有趣信息，例如获得如下所示的页面标题。

[size=2]# Get the titletitle = soup.title print(title)
<title>2017 Intel Great Place to Run 10K \ Urban Clash Games Race Results</title>[/size]

复制代码

你也可以得到网页的文本，打印出来瞧瞧，检查它是否是你所期望的。

[size=2]# Print texttext = soup.get_text()# Print (soup.text))[/size]

复制代码

你可以在网页的任何地方右键单击并选择“查看源代码”来查看网页的html和我们输入的进行对比。

您可以使用soup的find_all()方法在网页中提取有用的html标记。有用标记的例子包括< a >用于超链接，<table >用于表行，< tr >用于表标题，< th >用于表单元格，< td >用于表单元格。下面的代码展示了如何提取网页中的所有超链接。

[size=2]soup.find_all('a')
[<a href="/results/2017GPTR" role="button">5K</a>,
<a href="http://hubertiming.com/">Huber Timing Home</a>,
<a href="#individual">Individual Results</a>,
<a href="#team">Team Results</a>,
<a href="mailto:timing@hubertiming.com">[email]timing@hubertiming.com[/email]</a>,
<a href="#tabs-1">Results</a>,
<a name="individual"></a>,
<a name="team"></a>,
<a href="http://www.hubertiming.com/"><img height="65" src="/sites/all/themes/hubertiming/images/clockWithFinishSign_small.png" width="50"/>Huber Timing</a>,
<a href="http://facebook.com/hubertiming/"><img src="/results/FB-f-Logo__blue_50.png"/></a>][/size]

复制代码

从上面的输出例子可以看到，html标记有时带有class、src等属性。这些属性提供了关于html元素的附加信息。可以使用for循环和get('"href")方法只提取和打印超链接。

[size=2]all_links = soup.find_all("a")for link in all_links:
print(link.get("href"))
/results/2017GPTR[url]http://hubertiming.com/#individual#teammailto:timing@hubertiming.com#tabs-1None[/url]
None[url]http://www.hubertiming.com/http://facebook.com/hubertiming/[/url][/size]

复制代码

如果仅打印表行，请在soup.find_all()中传递'tr'参数。

[size=2]# Print the first 10 rows for sanity checkrows = soup.find_all('tr')
print(rows[:10])
[<tr><td>Finishers:</td><td>577</td></tr>, <tr><td>Male:</td><td>414</td></tr>, <tr><td>Female:</td><td>163</td></tr>, <tr>
<th>Place</th>
<th>Bib</th>
<th>Name</th>
<th>Gender</th>
<th>City</th>
<th>State</th>
<th>Chip Time</th>
<th>Chip Pace</th>
<th>Gender Place</th>
<th>Age Group</th>
<th>Age Group Place</th>
<th>Time to Start</th>
<th>Gun Time</th>
<th>Team</th>
</tr>, <tr>
<td>1</td>
<td>814</td>
<td>JARED WILSON</td>
<td>M</td>
<td>TIGARD</td>
<td>OR</td>
<td>00:36:21</td>
<td>05:51</td>
<td>1 of 414</td>
<td>M 36-45</td>
<td>1 of 152</td>
<td>00:00:03</td>
<td>00:36:24</td>
<td></td>
</tr>, <tr>
<td>2</td>
<td>573</td>
<td>NATHAN A SUSTERSIC</td>
<td>M</td>
<td>PORTLAND</td>
<td>OR</td>
<td>00:36:42</td>
<td>05:55</td>
<td>2 of 414</td>
<td>M 26-35</td>
<td>1 of 154</td>
<td>00:00:03</td>
<td>00:36:45</td>
<td>INTEL TEAM F</td>
</tr>, <tr>
<td>3</td>
<td>687</td>
<td>FRANCISCO MAYA</td>
<td>M</td>
<td>PORTLAND</td>
<td>OR</td>
<td>00:37:44</td>
<td>06:05</td>
<td>3 of 414</td>
<td>M 46-55</td>
<td>1 of 64</td>
<td>00:00:04</td>
<td>00:37:48</td>
<td></td>
</tr>, <tr>
<td>4</td>
<td>623</td>
<td>PAUL MORROW</td>
<td>M</td>
<td>BEAVERTON</td>
<td>OR</td>
<td>00:38:34</td>
<td>06:13</td>
<td>4 of 414</td>
<td>M 36-45</td>
<td>2 of 152</td>
<td>00:00:03</td>
<td>00:38:37</td>
<td></td>
</tr>, <tr>
<td>5</td>
<td>569</td>
<td>DEREK G OSBORNE</td>
<td>M</td>
<td>HILLSBORO</td>
<td>OR</td>
<td>00:39:21</td>
<td>06:20</td>
<td>5 of 414</td>
<td>M 26-35</td>
<td>2 of 154</td>
<td>00:00:03</td>
<td>00:39:24</td>
<td>INTEL TEAM F</td>
</tr>, <tr>
<td>6</td>
<td>642</td>
<td>JONATHON TRAN</td>
<td>M</td>
<td>PORTLAND</td>
<td>OR</td>
<td>00:39:49</td>
<td>06:25</td>
<td>6 of 414</td>
<td>M 18-25</td>
<td>1 of 34</td>
<td>00:00:06</td>
<td>00:39:55</td>
<td></td>
</tr>][/size]

复制代码

本教程的目标是从网页中取出一张表格，并将其转换为dataframe，以便更容易地使用Python进行操作。要做到这一点，您应该首先获得list表单中的所有表行，然后将该列表转换为dataframe。下面是一个for循环，它遍历表行并输出行单元格。

[size=2]for row in rows:
row_td = row.find_all('td')print(row_td)type(row_td)
[<td>14TH</td>, <td>INTEL TEAM M</td>, <td>04:43:23</td>, <td>00:58:59 - DANIELLE CASILLAS</td>, <td>01:02:06 - RAMYA MERUVA</td>, <td>01:17:06 - PALLAVI J SHINDE</td>, <td>01:25:11 - NALINI MURARI</td>]
bs4.element.ResultSet[/size]

复制代码

上面的输出显示每一行都是用嵌入在每一行中的html标记打印出来的。这不是我们想要的。可以使用Beautiful Soup或正则表达式删除html标记。

[size=2]str_cells = str(row_td)
cleantext = BeautifulSoup(str_cells, "lxml").get_text()
print(cleantext)
[14TH, INTEL TEAM M, 04:43:23, 00:58:59 - DANIELLE CASILLAS, 01:02:06 - RAMYA MERUVA, 01:17:06 - PALLAVI J SHINDE, 01:25:11 - NALINI MURARI]：正则表达式才是高手风范）。 [/size]

复制代码

我们导入re(用于正则表达式)模块，下面的代码展示了如何构建一个正则表达式，该表达式查找< td > html标记中的所有字符，并为每个表行替换为空字符串。

首先，通过传递与re.compile()匹配的字符串来编译正则表达式。点、星号和问号(.*?) 将匹配一个开头的尖括号，后面跟着任何东西，后面跟着一个结尾的尖括号。它以非贪婪的方式匹配文本，也就是说，它匹配尽可能短的字符串。

如果省略问号，它将匹配第一个开始尖括号和最后一个结束尖括号之间的所有文本。

编译正则表达式后，可以使用re.sub()方法查找正则表达式匹配的所有子字符串，并用空字符串替换它们。

下面的完整代码生成一个空列表，提取每一行html标记之间的文本，并将其附加到指定的列表中。

[size=2]import re
list_rows = []
for row in rows:
cells = row.find_all('td')
str_cells = str(cells)
clean = re.compile('<.*?>')
clean2 = (re.sub(clean, '',str_cells))
list_rows.append(clean2)
print(clean2)
type(clean2)
[14TH, INTEL TEAM M, 04:43:23, 00:58:59 - DANIELLE CASILLAS, 01:02:06 - RAMYA MERUVA, 01:17:06 - PALLAVI J SHINDE, 01:25:11 - NALINI MURARI]
str[/size]

复制代码

下一步是将列表转换为dataframe并使用panda快速查看前10行。

[size=2]df = pd.DataFrame(list_rows) df.head(10)
0
0 [Finishers:, 577]
1 [Male:, 414]
2 [Female:, 163]
3 []
4 [1, 814, JARED WILSON, M, TIGARD, OR, 00:36:21...
5 [2, 573, NATHAN A SUSTERSIC, M, PORTLAND, OR, ...
6 [3, 687, FRANCISCO MAYA, M, PORTLAND, OR, 00:3...
7 [4, 623, PAUL MORROW, M, BEAVERTON, OR, 00:38:...
8 [5, 569, DEREK G OSBORNE, M, HILLSBORO, OR, 00...
9 [6, 642, JONATHON TRAN, M, PORTLAND, OR, 00:39...[/size]

复制代码

数据处理和清理dataframe不是我们想要的格式。为了清理它，您应该在逗号位置将“0”列分割为多个列，通常我们使用str.split()方法实现的。

df1 = df[0].str.split(',', expand=True)
df1.head(10)

复制代码

这看起来清爽多了，但还有工作要做。dataframe的每行周围都有不需要的方括号。可以使用strip()方法删除列“0”上的左方括号。

df1[0] = df1[0].str.strip('[')
df1.head(10)

复制代码

上表缺少表标头。您可以使用find_all()方法获得表标头。

col_labels = soup.find_all('th')

复制代码

与处理表类似，您可以使用Beautiful Soup提取表标题的html标记之间的文本。

all_header = []
col_str = str(col_labels)
cleantext2 = BeautifulSoup(col_str, "lxml").get_text()
all_header.append(cleantext2)
print(all_header)
['[Place, Bib, Name, Gender, City, State, Chip Time, Chip Pace, Gender Place, Age Group, Age Group Place, Time to Start, Gun Time, Team]']

复制代码

然后，您可以将标题列表转换为pandas dataframe。

df2 = pd.DataFrame(all_header) df2.head()
0
0 [Place, Bib, Name, Gender, City, State, Chip T...

复制代码

类似地，您可以在所有行的逗号位置将“0”列分割为多个列。

df3 = df2[0].str.split(',', expand=True)
df3.head()

复制代码

frames = [df3, df1]
df4 = pd.concat(frames)
df4.head(10)

复制代码

下面显示了如何将第一行分配为表标头。

df5 = df4.rename(columns=df4.iloc[0])
df5.head()

复制代码

至此，这个表的格式几乎完全正确。对于分析，您可以从以下数据的概述开始。

df5.info()df5.shape

复制代码

<class 'pandas.core.frame.DataFrame'>
Int64Index: 597 entries, 0 to 595
Data columns (total 14 columns):
[Place 597 non-null object
Bib 596 non-null object
Name 593 non-null object
Gender 593 non-null object
City 593 non-null object
State 593 non-null object
Chip Time 593 non-null object
Chip Pace 578 non-null object
Gender Place 578 non-null object
Age Group 578 non-null object
Age Group Place 578 non-null object
Time to Start 578 non-null object
Gun Time 578 non-null object
Team] 578 non-null object
dtypes: object(14)
memory usage: 70.0+ KB
(597, 14)

复制代码

该表有597行和14列。您可以删除所有缺少值的行。

df6 = df5.dropna(axis=0, how='any')

复制代码

另外，请注意如何将表头复制为df5中的第一行。可以使用以下代码行删除它。

df7 = df6.drop(df6.index[0]) df7.head()

复制代码

您可以通过重新命名'[Place' and ' Team]'列来执行更多的数据清理。Python对空格非常挑剔。确保在“Team]”中在引号之后加上空格。

df7.rename(columns={'[Place': 'Place'},inplace=True)
df7.rename(columns={' Team]': 'Team'},inplace=True)
df7.head()

复制代码

最后的数据清理步骤包括删除“Team”列中的单元格的右括号。

df7['Team'] = df7['Team'].str.strip(']')
df7.head()

复制代码

到这里为止我们花了一段很长时间，也得到了我们想要的dataframe。现在您可以进入令人兴奋的部分，开始绘制数据并计算有趣的统计数据。

数据分析和可视化首先要回答的问题是，跑步者的平均完成时间(以分钟为单位)是多少?您需要将列“Chip Time”转换为几分钟形式。一种方法是首先将列转换为列表进行操作。

time_list = df7[' Chip Time'].tolist()# You can use a for loop to convert 'Chip Time' to minutestime_mins = []for i in time_list: h, m, s = i.split(':')
math = (int(h) * 3600 + int(m) * 60 + int(s))/60 time_mins.append(math)#print(time_mins)

复制代码

下一步是将列表转换回dataframe，并立即为跑步者 Chip Time 创建一个新的列(“Runner_mins”)。

df7['Runner_mins'] = time_mins
df7.head()

复制代码

下面的代码显示了，在dataframe中计算数字列的统计信息。

df7.describe(include=[np.number])
Runner_mins
count 577.000000
mean 60.035933
std 11.970623
min 36.350000
25% 51.000000
50% 59.016667
75% 67.266667
max 101.300000

复制代码

有趣的是，所有跑步者的平均chip time 是大约60分钟。最快的10K跑者跑完36.35分钟，最慢的跑者跑完101.30分钟。
boxplot是另一个有用的工具，用于可视化汇总统计信息(最大值、最小值、中等值、第一四分位数、第三四分位数，包括异常值)。下面是在箱线图中显示的跑步者的数据汇总统计数据。为了实现数据可视化，可以方便地首先从matplotlib附带的pylab模块导入参数，并为所有图形设置相同的大小，以避免为每个图形设置相同的大小。

from pylab import rcParams
rcParams['figure.figsize'] = 15, 5
df7.boxplot(column='Runner_mins')
plt.grid(True, axis='y')
plt.ylabel('Chip Time')
plt.xticks([1], ['Runners'])
([<matplotlib.axis.XTick at 0x570dd106d8>],
<a list of 1 Text xticklabel objects>)

复制代码

要回答的第二个问题是:跑者的完成时间是否服从正态分布?

下面是使用seaborn库绘制的跑步者chip times分布图。分布看起来几乎是正常的。

x = df7['Runner_mins']
ax = sns.distplot(x, hist=True, kde=True, rug=False, color='m', bins=25, hist_kws={'edgecolor':'black'})
plt.show()

复制代码

第三个问题是关于不同年龄段的男性和女性是否有表现上的差异。

下面是男性和女性芯片时间的分布图。

f_fuko = df7.loc[df7[' Gender']==' F']['Runner_mins']
m_fuko = df7.loc[df7[' Gender']==' M']['Runner_mins']
sns.distplot(f_fuko, hist=True, kde=True, rug=False, hist_kws={'edgecolor':'black'}, label='Female')
sns.distplot(m_fuko, hist=False, kde=True, rug=False, hist_kws={'edgecolor':'black'}, label='Male')
plt.legend()
<matplotlib.legend.Legend at 0x570e301fd0>

复制代码

这一分布表明女性的平均速度比男性慢。您可以使用groupby()方法分别计算男性和女性的汇总统计信息，如下所示。

g_stats = df7.groupby(" Gender", as_index=True).describe()print(g_stats)
Runner_mins \
count mean std min 25% 50%
Gender
F 163.0 66.119223 12.184440 43.766667 58.758333 64.616667
M 414.0 57.640821 11.011857 36.350000 49.395833 55.791667
75% max
Gender
F 72.058333 101.300000
M 64.804167 98.516667

复制代码

所有女性和男性的平均芯片时间分别为约66分钟和约58分钟。

那么下面是男性和女性完成时间的并排箱线图比较。

df7.boxplot(column='Runner_mins', by=' Gender')plt.ylabel('Chip Time')plt.suptitle("")
C:\Users\smasango\AppData\Local\Continuum\anaconda3\lib\site-packages\numpy\core\fromnumeric.py:57: FutureWarning: reshape is deprecated and will raise in a subsequent release. Please use .values.reshape(...) instead
return getattr(obj, method)(*args, **kwds)Text(0.5,0.98,'')

复制代码

结论

在本教程中，您使用Python执行了Web抓取。您使用Beautiful Soup库来解析html数据并将其转换为可用于分析的表单。您在Python中执行了数据清理并创建了有用的图表（箱形图，条形图和分布图），用Python的matplotlib和seaborn库来显示有趣的趋势。在本教程之后，您应该能够使用Python轻松地从Web抓取数据，应用清理技术并从数据中提取有用的见解。

halo501 · 发表于 2018-10-10 08:56:07

Python是个好东西，正在自学中

教你如何用Python做网页爬虫

站长推荐 /4