網(wǎng)絡(luò)爬蟲簡單來說，就是從網(wǎng)絡(luò)中批量獲取自己想要的數(shù)據(jù)。

網(wǎng)上爬取數(shù)據(jù)有兩種方法可以實(shí)現(xiàn)：

•  使用官方 API
•  網(wǎng)絡(luò)抓取

API (應(yīng)用程序接口)是為了以標(biāo)準(zhǔn)的方式在不同的系統(tǒng)之間交換數(shù)據(jù)。但是，大多數(shù)時候，網(wǎng)站所有者并不提供任何 API。在這種情況下，我們只能使用 web 抓取提取數(shù)據(jù)了。

基本上，每個 web 頁面都以 HTML 格式從服務(wù)器返回，這意味著我們的實(shí)際數(shù)據(jù)被很好地包裝在 HTML 元素中。這使得檢索特定數(shù)據(jù)的整個過程非常簡單和直接。

本教程將是一個自始至終的指南，讓你可以盡可能簡單的使用 Python學(xué)習(xí)爬蟲。首先，我將向你介紹一些基本的示例，讓你熟悉 web 抓取。稍后，我們將使用這些知識從 Livescore.cz 中提取足球比賽的數(shù)據(jù)。

開始

為了讓我們開始，你需要啟動一個新的 Python3 項(xiàng)目，并安裝 Scrapy (一個用于 Python 的 web 爬蟲庫)。我在本教程中使用了 pipenv，但是你也可以使用 pip 和 venv，或 conda。

pipenv install scrapy # Pipenv 安裝 scrap 

現(xiàn)在，你已經(jīng)有了 Scrapy，但是你仍然需要創(chuàng)建一個新的 web 抓取項(xiàng)目，為此 Scrapy 提供了一個命令行，可以為我們完成這項(xiàng)工作。

現(xiàn)在，讓我們使用 scrapy clii 創(chuàng)建一個名為 web _ scraper 的新項(xiàng)目。

如果你像我一樣使用 pipenv，請使用：

pipenv run scrapy startproject web_scraper 

或者在你自己的虛擬環(huán)境中，使用： 

scrapy startproject web_scraper 

這將在工作目錄中創(chuàng)建一個基本項(xiàng)目，其結(jié)構(gòu)如下:

01. 使用 XPath 

我們將從一個非常簡單的例子開始我們的網(wǎng)絡(luò)抓取教程。首先，我們將在 HTML 中定位 Live Code Stream 網(wǎng)站的標(biāo)志。正如我們所知，它只是一個文本，而不是一個圖像，所以我們將簡單地提取這個文本。

代碼

為了開始，我們需要為這個項(xiàng)目創(chuàng)建一個新的爬取器。我們可以通過創(chuàng)建一個新文件或使用 CLI 來實(shí)現(xiàn)這一點(diǎn)。

因?yàn)槲覀円呀?jīng)知道我們需要的代碼，所以我們將在這個路徑 /web_scraper/spiders/live _ code _ stream. py 上創(chuàng)建一個新的 Python 文件

下面是這個文件中的代碼。

代碼解釋

•  首先，我們導(dǎo)入了 Scrapy 庫，因?yàn)槲覀冃枰墓δ軄韯?chuàng)建一個Python web spider。這個爬蟲隨后將用于抓取指定的網(wǎng)站和提取有用的信息。
•  我們創(chuàng)建了一個類，并將其命名為LiveCodeStreamSpider?；旧?，它繼承了 scrapy。這就是為什么我們把它作為一個參數(shù)來傳遞。
•  現(xiàn)在，重要的一步是使用一個名為 name 的變量為你的 spider 定義一個唯一的名稱。請記住，不允許使用現(xiàn)有 spider 的名稱。同樣，不能使用此名稱創(chuàng)建新的爬行器。它必須在整個項(xiàng)目中是獨(dú)一無二的。
•  之后，我們使用 start_urls list 傳遞網(wǎng)站 URL 。
•   parse() 的方法，該方法將在 HTML 代碼中定位標(biāo)記并提取其文本。在 Scrapy，有兩種方法可以在源代碼中找到 HTML 元素。這些都在下面提到：

          CSS 和 XPath

你甚至可以使用一些外部庫，比如 BeautifulSoup 和 lxml。但是，對于這個例子，我們使用了 XPath。

一個快速確定任何 HTML 元素的 XPath 的方法是在 Chrome Devtools 中打開它?，F(xiàn)在，只需右鍵單擊該元素的 HTML 代碼，將鼠標(biāo)光標(biāo)懸停在剛剛出現(xiàn)的彈出菜單中的“復(fù)制”上。最后，單擊“ Copy XPath”菜單項(xiàng)。

請看下面的截圖，以便更好地理解它。

順便說一下，我在元素的實(shí)際 XPath 之后使用了/text () ，只從該元素中檢索文本，而不是從完整的元素代碼中檢索。

注意：不可對上面提到的變量、列表或函數(shù)使用任何其他名稱。這些名稱是在 Scrapy 圖書館預(yù)先定義的。因此，你必須實(shí)事求是地使用它們。否則，程序?qū)o法正常工作。

運(yùn)行爬蟲

因?yàn)槲覀円呀?jīng)在命令提示符下的 web_scraper 文件夾中了。讓我們執(zhí)行 spider 并使用下面的代碼在新文件 lcs.json 中填充結(jié)果。我們得到的結(jié)果將使用 JSON 格式進(jìn)行良好的結(jié)構(gòu)化。 

pipenv run scrapy crawl lcs -o lcs.json scrapy crawl lcs -o lcs.json 

結(jié)果

當(dāng)執(zhí)行上面的代碼時，我們會在項(xiàng)目文件夾中看到一個新的文件 lcs.json。

下面是這個文件的內(nèi)容。 

[ {"logo": "Live Code Stream"} ] 

02. 使用 CSS

我們大多數(shù)人都喜歡體育運(yùn)動，比如足球。

世界各地經(jīng)常組織足球比賽。有幾個網(wǎng)站在比賽進(jìn)行時提供比賽結(jié)果的實(shí)時反饋。但是，大多數(shù)這些網(wǎng)站并沒有提供任何官方的 API。

反過來，它為我們創(chuàng)造了一個機(jī)會，使用我們的網(wǎng)絡(luò)抓取技能和提取有意義的信息，直接抓取他們的網(wǎng)站。

在他們的主頁上，他們很好地展示了今天（你訪問網(wǎng)站的日期）將要進(jìn)行的比賽和比賽。

我們可以檢索如下信息

•  比賽名稱
•  比賽時間
•  A隊隊名
•  A隊進(jìn)球數(shù)
•  B隊隊名
•  B隊進(jìn)球數(shù)
•  etc. 等等

在我們的代碼示例中，我們將提取今天有匹配的比賽名稱。

代碼

讓我們在項(xiàng)目中創(chuàng)建一個新的 spider 來檢索比賽名稱，我將項(xiàng)目命名為livescore_t.py

下面是你在 livescore _ t.py 中需要輸入的代碼：

代碼解釋

•  像往常一樣，導(dǎo)入 Scrapy
•  創(chuàng)建一個類，該類繼承 scrapy.Spider
•  給我們的爬蟲取一個獨(dú)一無二的名字 LiveScoreT 
•  提供 livescore.cz 的URL

    最后，用 parse() 函數(shù)遍歷所有匹配的包含競賽名稱的元素，并使用 yield 將其連接在一起。最后，我們會收到今天有比賽的所有比賽名稱。需要注意的一點(diǎn)是，這次我使用了 CSS 而不是XPath。

運(yùn)行

是時候看看我們的爬蟲是如何行動的了。運(yùn)行下面的命令讓 spider 到達(dá) Livescore.cz 網(wǎng)站的主頁。然后，web 抓取結(jié)果將被添加到一個名為 ls _ t.json 的新文件中。 

pipenv run scrapy crawl LiveScoreT -o ls_t.json 

結(jié)果

這是我們的網(wǎng)絡(luò)爬蟲在2020年11月18日從 Livescore.cz 中提取的內(nèi)容。記住，輸出可能每天都在變化。

03. 一個更高級的例子

在本節(jié)中，我們將不僅僅是檢索錦標(biāo)賽名稱，而是進(jìn)入下一個階段，獲取錦標(biāo)賽及其比賽的完整細(xì)節(jié)。

在 /web _ scraper/web _ scraper/spider/ 中創(chuàng)建一個新文件，并將其命名為 livescore.py。

代碼解釋

此文件的代碼結(jié)構(gòu)與前面的示例相同。在這里，我們只是用一個新的功能更新了 parse () 方法。

基本上，我們從頁面中提取了所有的 HTML <tr> </tr> 元素。然后，我們通過循環(huán)找出這是一個錦標(biāo)賽或比賽。如果它是一個錦標(biāo)賽，我們提取它的名字。在比賽的情況下，我們提取了它的“時間”、“狀態(tài)”和“兩支球隊的名稱和得分”

運(yùn)行

在控制臺鍵入以下命令并執(zhí)行它 

pipenv run scrapy crawl LiveScore -o ls.json 

結(jié)果

下面是已經(jīng)檢索到的一些樣本:

現(xiàn)在有了這些數(shù)據(jù)，我們可以做任何我們想做的事情，比如用它來訓(xùn)練我們自己的神經(jīng)網(wǎng)絡(luò)來預(yù)測未來的游戲。

04. 總結(jié)

數(shù)據(jù)分析師經(jīng)常使用網(wǎng)絡(luò)抓取，因?yàn)樗梢詭椭麄兪占瘮?shù)據(jù)來預(yù)測未來。類似地，企業(yè)使用它從網(wǎng)頁中提取電子郵件，因?yàn)檫@是一種有效的方式產(chǎn)生領(lǐng)導(dǎo)。我們甚至可以用它來監(jiān)控產(chǎn)品的價格。

換句話說，web 抓取有許多用例，Python完全有能力做到這一點(diǎn)。

那么，你還在等什么呢? 現(xiàn)在就試著抓取你最喜歡的網(wǎng)站吧。