用Python做网页爬虫

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

https://www.datacamp.com/community/tutorials/web-scraping-using-python

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 。

importpandasaspdimport numpyasnpimport matplotlib.pyplotaspltimport seabornassns

%matplotlib inline

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。

fromurllib.requestimporturlopenfrombs4importBeautifulSoup

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。

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

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。

soup=BeautifulSoup(html, 'lxml')type(soup)

bs4.BeautifulSoup

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。

# Get the titletitle = soup.titleprint(title)

2017Intel Great Place to Run10K \ Urban Clash Games Race Results

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。

#Print texttext = soup.get_text()# Print (soup.text))

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用于超链接，用于表行，用于表标题，用于表单元格，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。

soup.find_all('a')

[5K, Huber Timing Home, Individual Results, Team Results, timing@hubertiming.com, Results, , , Huber Timing, ]

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。

all_links = soup.find_all("a")forlinkinall_links: print(link.get("href"))

如果仅打印表行，请在soup.find_all()中传递'tr'参数。

# Print the first 10 rows for sanity checkrows = soup.find_all('tr')

print(rows[:10])

[Finishers:577,Male:414,Female:163,

Place

Bib

Name

Gender

City

State

Chip Time

Chip Pace

Gender Place

Age Group

Age Group Place

Time to Start

Gun Time

Team

,

1

814

JARED WILSON

M

TIGARD

OR

00:36:21

05:51

1 of 414

M 36-45

1 of 152

00:00:03

00:36:24

,

2

573

NATHAN A SUSTERSIC

M

PORTLAND

OR

00:36:42

05:55

2 of 414

M 26-35

1 of 154

00:00:03

00:36:45

INTEL TEAM F

,

3

687

FRANCISCO MAYA

M

PORTLAND

OR

00:37:44

06:05

3 of 414

M 46-55

1 of 64

00:00:04

00:37:48

,

4

623

PAUL MORROW

M

BEAVERTON

OR

00:38:34

06:13

4 of 414

M 36-45

2 of 152

00:00:03

00:38:37

,

5

569

DEREK G OSBORNE

M

HILLSBORO

OR

00:39:21

06:20

5 of 414

M 26-35

2 of 154

00:00:03

00:39:24

INTEL TEAM F

,

6

642

JONATHON TRAN

M

PORTLAND

OR

00:39:49

06:25

6 of 414

M 18-25

1 of 34

00:00:06

00:39:55

]

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。

forrowinrows: row_td = row.find_all('td')print(row_td)type(row_td)

[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]bs4.element.ResultSet

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。

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- PALLAVIJ SHINDE,01:25:11- NALINI MURARI]：正则表达式才是高手风范）。

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 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。

importre

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- PALLAVIJ SHINDE,01:25:11- NALINI MURARI]str

下一步是将列表转换为dataframe并使用panda快速查看前10行。

df = pd.DataFrame(list_rows)df.head(10)

[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...

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[].str.split(',', expand=True)

df1.head(10)

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

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')

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。

['[Place, Bib, Name, Gender, City, State, Chip Time, Chip Pace, Gender Place, Age Group, Age Group Place, Time to Start, Gun Time, Team]']

然后，您可以将标题列表转换为pandas dataframe。

df2= pd.DataFrame(all_header) df2.head()

[Place, Bib, Name, Gender, City, State, Chip T...

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

frames= [df3, df1]

df4 = pd.concat(frames)

df4.head(10)

下面显示了如何将第一行分配为表标头。

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

df5.head()

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

Int64Index:597entries,to595

Data columns (total14columns):

[Place597non-nullobject

Bib596non-nullobject

Name593non-nullobject

Gender593non-nullobject

City593non-nullobject

State593non-nullobject

Chip Time593non-nullobject

Chip Pace578non-nullobject

Gender Place578non-nullobject

Age Group578non-nullobject

Age Group Place578non-nullobject

Time to Start578non-nullobject

Gun Time578non-nullobject

Team]578non-nullobject

dtypes: object(14)

memory usage:70.0+ KB

(597,14)

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')

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()

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()

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()

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 useaforlooptoconvert'Chip Time'tominutestime_mins = []fori in time_list:h,m, s = i.split(':') math = (int(h) *3600+int(m) *60+int(s))/60time_mins.append(math)#print(time_mins)

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()

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

count577.000000

mean60.035933

std11.970623

min36.350000

25%51.000000

50%59.016667

75%67.266667

max101.300000

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'])

([], )

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()

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()

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 min25%50% Gender F163.066.11922312.18444043.76666758.75833364.616667M414.057.64082111.01185736.35000049.39583355.79166775% max Gender F72.058333101.300000M64.80416798.516667

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: reshapeisdeprecatedandwillraiseina subsequent release. Please use .values.reshape(...) instead return getattr(obj,method)(*args, **kwds)Text(0.5,0.98,'')

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。

如果您想了解有关Python的更多信息，请参阅DataCamp的免费Intro to Python for Data Science课程。

想要继续查看该篇文章更多代码、链接和参考文献？

戳链接：

http://www.gair.link/page/TextTranslation/831