手把手教你用python抓网页数据

前言：
数据科学越来越火了，网页是数据很大的一个来源。最近很多人问怎么抓网页数据，据我所知，常见的编程语言(C++,java,python)都可以实现抓网页数据，甚至很多统计\计算的语言(R,Matlab)都有可以实现和网站交互的包。本人试过用java,python,R抓网页，感觉语法各有差异，逻辑上是一样的。我准备用python来大概讲讲抓网页是什么概念，具体的内容要自己看手册或者google别人的博客，这里算是抛砖引玉了。水平有限，出现错误或者有更好的办法，欢迎讨论。

步骤一：熟悉Python的基本语法。
. 1point 3acres 已经熟悉Python的直接跳到步骤二。
Python是门比较容易入门的编程语言，如何上手视编程基础而定。
(1) 如果有一定编程的基础，建议看google's python class，链接https://developers.google.com/edu/python/?hl=zh-CN&csw=1
这个是一个为期两天的短期培训课程（当然，是两个全天），大概是七个视频，每个视频之后给编程作业，每个作业一个小时之内可以完成。这是我学习python的第二门课（第一门是codecademy的python，很早之前看的，很多内容都记不得了），当时每天看视频+编程作业一个多小时，六天弄完，效果还不错，用python写基本的程序没有问题。
(2) 如果是没有任何编程基础，建议看coursera上Rice University开的An Introduction to Interactive Programming in Python。这门课我没有跟过，但是看coursetalk的评论反映非常好，地里也有同学评论(点这里)，课程链接：https://www.coursera.org/course/interactivepython。Udacity上的CS101也是不错的选择，地里有相关的讨论帖(点这里)，而且这门课就叫做build a search engine，会专门讲一些和网络相关的module。其他学习资源还有code school和codecademy，这些资源也是挺不错的，但是编程量太少，初学者还是系统的跟课、多练练手来打好基础吧。
当然，每个人的偏好不同，我推荐的不一定适合你。可以先看看这个帖子【长期加分贴】介绍你上过的公开课里面其他人是怎么说的，或者上coursetalk.org看看课程评论，再决定吧。


步骤二：学会如何与网站建立链接，得到网页数据。
写脚本与网站进行交互，要熟悉python和网页相关的几个module(urllib,urllib2,httplib)中的一个，知道一个即可，其他的都类似的。这三个是python提供的和网页交互的基本module，还有其他的一些，比如：mechanize和scrappy，我没有用过，可能有更好的性能，欢迎了解的来补充。基本的网页抓取，前面的三个module足矣。
下面的代码演示如何用urllib2与google scholar进行交互，获得网页信息。

您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式

以上的代码就把在google scholar上查询On Random Graph的结果返回到doc这个变量中了，这个和你打开google scholar搜索On Random Graph，然后将网页右键保存的效果是一样的。

步骤三、解析网页
上面的步骤得到了网页的信息，但是包括了html标签，你要把这些标签去掉，然后从html文本中整理出有用的信息，
你需要解析这个网页。
解析网页的方法：
(1) 正则表达式。正则表达式很有用，熟悉它节省很多的时间，有时候清洗数据不用写脚本或者在数据库上查询，直接在notepad++上用正则表达式组合使用就行了。如何学习正则表达式建议看：正则表达式30分钟入门教程，链接：http://deerchao.net/tutorials/regex/regex.htm
(2) BeautifulSoup模块。BeautifulSoup是一个很强大的模块，能把html文件解析成一个对象，这个对象是一棵树。我们都知道html文件是树状的，比如 body -> table -> tbody -> tr，对于tbody这个节点，有很多个tr的子节点。BeautifulSoup可以很方便的取到特定的节点，对单个节点也可以取它的sibling node。网上有很多相关的说明，这里不细说，只演示简单的代码：
(3) 上面两种方法结合使用。

您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式

这些都是我在一个分析citation network的项目的代码。顺便一提，我从google scholar上抓取paper的信息以及引用列表的信息，访问了大概1900次左右的时候给google block了，导致这个片区的ip一时无法登陆google scholar。

步骤四：存取数据
好不容易抓了数据，现在只是存储在内存中，必须保存起来才能利用。
(1) 最简单的方法之把数据写进txt文件中，Python中可以用如下代码实现：

1. # 打开文件webdata.txt，生成对象file,这个文件可以是不存在的，参数a表示往里面添加。
   
2. # 还有别的参数，比如'r'只能读但不能写入，'w'可以写入但是会删除原来的记录等等
   
3. file = open('webdata.txt','a')
   
4. line = paper_name + '#' + paper_author + '#' + paper_desc + '#' + citeTimes + '\n'
   
5. # 对象file的write方法将字符串line写入file中
   
6. file = file.write(line)
   
7. # 再一次的，做个随手关闭文件的好青年
   
8. file.close()

复制代码

这样，就把从网页上抓到并且解析了的数据存储到本地了,是不是很简单？
(2) 当然，你也可以不写入txt文件中，而是直接连接数据库，python中的MySQLdb模块可以实现和MySQL数据库的交互，把数据直接倒到数据库里面，与MySQL数据库建立链接的逻辑和与网站服务器建立链接的逻辑差不多。如果之前有学习过数据库，学习用MySQLdb模块实现和数据库的交互是很简单的；如果没有，则要借助在coursera\Stanford openEdX平台上都有开设的Introduction to Database来系统学习，w3school用来参考或者当成手册。
Python能够链接数据库的前提是数据库是开着的，我用的是 win7 + MySQL5.5，数据库在本地。

1. %可以用cmd开启数据库，启动命令是：
   
2. net start mysql55
   
3. %关闭命令是：
   
4. net stop mysql55

复制代码

使用MySQLdb模块代码示例：

您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式

. From 1point 3acres bbs这样就实现了Python和数据库之间的交互。除了MySQL数据库外，python的PyGreSQL模块可以支持postgreSQL数据库，道理类似的。还有，如果你的网页里面包含了中文，设置编码格式会非常的麻烦，需要服务器、Python、数据库和数据库界面采用相同的编码格式才能不出现乱码，如果真的出现了中文乱码的问题，请相信，你不是一个人！！去google一下吧，成千上万的人碰到过这种问题。
关于编码的问题，附一篇我看到的博文

您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 188 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式

后记：
上面介绍了抓取网页数据的方法，抓取数据只是一小步，如何分析数据就是大学问了，欢迎讨论。
上面有什么地方讲不清楚的，欢迎交流。

特别注意:
大规模抓取网站会给网站的服务器带来很大的压力，尽量选择服务器相对轻松的时段（比如凌晨）。网站很多，不要拿一亩三分地来做试验。
Python的time模块的sleep()方法可以让程序暂停一段时间，比如time.sleep(1)让程序运行到这里的时候暂停1秒。适时地暂停可以缓解服务器的压力，也可以保护自己的硬盘，正好码久了睡个觉，或者去趟gym，结果就出来了。

更新：
2014年2月15日，更改了几处打字错误；添加了相关课程链接；增加了udacity CS101的介绍；增加了MySQLdb模块的介绍。
-baidu 1point3acres2014年2月16日，增加了介绍编码方式的博文链接。

你好lz，我用了你的方法，但是为什么这个pdf文件没法抓下来呢？我用web browser都能打开和下载
谢谢你：）

1. import urllib2
   
2. 
   
3. 
   
4. def main():
   
5. 
   
6.         download_file("https://dl.sciencesocieties.org/publications/aj/pdfs/107/5/1701?search-result=1", "test")
   
7. 
   
8. 
   
9. def download_file(download_url, filename):
   
10. 
    
11.         header = {'Host': 'dl.sciencesocieties.org',
    
12. 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.10; rv:38.0) Gecko/20100101 Firefox/38.0',
    
13. 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    
14. 'Accept-Encoding': 'gzip, deflate',
    
15. 'Connection': 'keep-alive'}
    
16. 
    
17.         req = urllib2.Request(download_url, headers = header) #request
    
18.         con = urllib2.urlopen( req ) #content
    
19.         file = open(filename +".pdf", 'w')
    
20.         file.write(con.read())
    
21.         file.close()
    
22.         print("Completed")
    
23. 
    
24. if __name__ == "__main__":
    
25.     main()

复制代码

pijefreskue 发表于 2014-10-28 22:16
你好，我想问一下我用Python得到网页的源代码之后，如何能知道我想要的代码是什么呢？比如我知道我想下图片 ...

一般来说，网络上每一个东西都有一个URL(统一定位符)。不知道URL，可以用一些工具(比如: firebug)来找。

至于找到了然后不知道怎么获取，可以看这里:
https://docs.python.org/2/howto/urllib2.html

oliverhao 发表于 2014-8-13 13:47
python 报错：
Traceback (most recent call last):
. ----  File "D:/SQL/sea.py", line 16, in -toplevel-

是的，BeautifulSoup是外部模块，要自己安装。

在linux下， 直接
$ apt-get install python-beautifulsoup

在windows下，先安装包管理工具，比如easy_install, 然后
$ easy_install BeautifulSoup

给力。
基本很详细了，抓抓普通的网页已经够用。
打算过段时间也写个抓网页的贴子，到时候问问你哈。

能抓下来直接存到本地数据库么？

赞！
再加个API 的和SQL的？

好久没见你了，还以为你休假了呢。
细致的介绍，下次仔细看

rsun 发表于 2014-2-14 08:07
好久没见你了，还以为你休假了呢。
细致的介绍，下次仔细看

确实是回家“休假”了，其实我更情愿呆在学校“工作”
回家过年了就是时间各种零碎不好用
参加个ICM导致公开课落下一堆due。。。

太谢谢啦！刚好需要从网页上抓数据最近！

i mean access some APIs (make GET and POST requests etc)
e.g. scrape your weibo, twitter, douban data through API

between Py and R there's R2py or sth, but frankly I never got them to work seamlessly together
for ipynb there's sth that can make R results show up but always with an annoying blank
这个问题如果能解决的话就更好了，感觉ipynb works more intuitively than knitr or rmd for reproducible research

好赞！

以前class project用过weibo的API

从google scholar抓数据慎重。。。我就被禁过 T_T

做好准备！！！