謹慎使用！從入門到精通，一文帶你學會Python面向監獄爬蟲
網絡爬蟲簡單來說，就是從網絡中批量獲取自己想要的數據。
網上爬取數據有兩種方法可以實現：
- 使用官方 API
- 網絡抓取
API (應用程序接口)是為了以標準的方式在不同的系統之間交換數據。但是，大多數時候，網站所有者并不提供任何 API。在這種情況下，我們只能使用 web 抓取提取數據了。
基本上，每個 web 頁面都以 HTML 格式從服務器返回，這意味著我們的實際數據被很好地包裝在 HTML 元素中。這使得檢索特定數據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學習爬蟲。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據。
開始
為了讓我們開始，你需要啟動一個新的 Python3 項目，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
現在，你已經有了 Scrapy，但是你仍然需要創建一個新的 web 抓取項目，為此 Scrapy 提供了一個命令行，可以為我們完成這項工作。
現在，讓我們使用 scrapy clii 創建一個名為 web _ scraper 的新項目。
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境中，使用：
- scrapy startproject web_scraper
這將在工作目錄中創建一個基本項目，其結構如下:
01. 使用 XPath
我們將從一個非常簡單的例子開始我們的網絡抓取教程。首先，我們將在 HTML 中定位 Live Code Stream 網站的標志。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，我們需要為這個項目創建一個新的爬取器。我們可以通過創建一個新文件或使用 CLI 來實現這一點。
因為我們已經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，我們導入了 Scrapy 庫，因為我們需要它的功能來創建一個Python web spider。這個爬蟲隨后將用于抓取指定的網站和提取有用的信息。
- 我們創建了一個類，并將其命名為LiveCodeStreamSpider。基本上，它繼承了 scrapy。這就是為什么我們把它作為一個參數來傳遞。
- 現在，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，不允許使用現有 spider 的名稱。同樣，不能使用此名稱創建新的爬行器。它必須在整個項目中是獨一無二的。
- 之后，我們使用 start_urls list 傳遞網站 URL 。
- parse() 的方法，該方法將在 HTML 代碼中定位標記并提取其文本。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。現在，只需右鍵單擊該元素的 HTML 代碼，將鼠標光標懸停在剛剛出現的彈出菜單中的“復制”上。最后，單擊“ Copy XPath”菜單項。
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、列表或函數使用任何其他名稱。這些名稱是在 Scrapy 圖書館預先定義的。因此，你必須實事求是地使用它們。否則，程序將無法正常工作。
運行爬蟲
因為我們已經在命令提示符下的 web_scraper 文件夾中了。讓我們執行 spider 并使用下面的代碼在新文件 lcs.json 中填充結果。我們得到的結果將使用 JSON 格式進行良好的結構化。
- pipenv run scrapy crawl lcs -o lcs.json scrapy crawl lcs -o lcs.json
結果
當執行上面的代碼時，我們會在項目文件夾中看到一個新的文件 lcs.json。
下面是這個文件的內容。
- [ {"logo": "Live Code Stream"} ]
02. 使用 CSS
我們大多數人都喜歡體育運動，比如足球。
世界各地經常組織足球比賽。有幾個網站在比賽進行時提供比賽結果的實時反饋。但是，大多數這些網站并沒有提供任何官方的 API。
反過來，它為我們創造了一個機會，使用我們的網絡抓取技能和提取有意義的信息，直接抓取他們的網站。
在他們的主頁上，他們很好地展示了今天（你訪問網站的日期）將要進行的比賽和比賽。
我們可以檢索如下信息
- 比賽名稱
- 比賽時間
- A隊隊名
- A隊進球數
- B隊隊名
- B隊進球數
- 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
讓我們在項目中創建一個新的 spider 來檢索比賽名稱，我將項目命名為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，導入 Scrapy
- 創建一個類，該類繼承 scrapy.Spider
- 給我們的爬蟲取一個獨一無二的名字 LiveScoreT
- 提供 livescore.cz 的URL
最后，用 parse() 函數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。需要注意的一點是，這次我使用了 CSS 而不是XPath。
運行
是時候看看我們的爬蟲是如何行動的了。運行下面的命令讓 spider 到達 Livescore.cz 網站的主頁。然后，web 抓取結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
結果
這是我們的網絡爬蟲在2020年11月18日從 Livescore.cz 中提取的內容。記住，輸出可能每天都在變化。
03. 一個更高級的例子
在本節中，我們將不僅僅是檢索錦標賽名稱，而是進入下一個階段，獲取錦標賽及其比賽的完整細節。
在 /web _ scraper/web _ scraper/spider/ 中創建一個新文件，并將其命名為 livescore.py。
代碼解釋
此文件的代碼結構與前面的示例相同。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，我們通過循環找出這是一個錦標賽或比賽。如果它是一個錦標賽，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”和“兩支球隊的名稱和得分”
運行
在控制臺鍵入以下命令并執行它
- pipenv run scrapy crawl LiveScore -o ls.json
結果
下面是已經檢索到的一些樣本:
現在有了這些數據，我們可以做任何我們想做的事情，比如用它來訓練我們自己的神經網絡來預測未來的游戲。
04. 總結
數據分析師經常使用網絡抓取，因為它可以幫助他們收集數據來預測未來。類似地，企業使用它從網頁中提取電子郵件，因為這是一種有效的方式產生領導。我們甚至可以用它來監控產品的價格。
換句話說，web 抓取有許多用例，Python完全有能力做到這一點。
那么，你還在等什么呢? 現在就試著抓取你最喜歡的網站吧。
