【Python数据挖掘课程】一.安装Python及爬虫入门介绍

        最近因为需要给大数据金融学院的学生讲解《Python数据挖掘及大数据分析》的课程，所以在这里，我将结合自己的上课内容，详细讲解每个步骤。作为助教，我更希望这门课程以实战为主，同时按小组划分学生，每个小组最后都提交一个基于Python的数据挖掘及大数据分析相关的成果。但是前面这节课没有在机房上，所以我在CSDN也将开设一个专栏，用于对该课程的补充。
        希望该文章对你有所帮助，尤其是对大数据或数据挖掘的初学者，很开心和夏博、小民一起分享该课程，上课的感觉真的挺不错的，挺享受的。我也将认真对待每一个我的学生，真的好想把自己的所学的所有知识都给予你们。同时由于学生来自不同的学院，有的甚至没有接触过编程，所以这门课程也将采用从零单排的形式讲述。
        这门课程围绕下图所示的内容进行展开及实战。
        课程资源：

一. 大数据及数据挖掘基础

        第一部分主要简单介绍三个问题（觉得无聊的直接调至第二部分）：
        1、什么是大数据？
        2、什么是数据挖掘？
        3、大数据和数据挖掘的区别？
        由于前面几节课老师普及了大数据等一些基础知识，这里我并没有详细介绍，只是给几张图片，让大家简单了解下大数据和数据挖掘相关的基础概念，我分享更多的是实战以及编程。
        <一>.大数据（Big Data）
        大数据（big data）指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。
        下图是大数据经典的4V特征。

  

        IBM大数据库框架及可视化技术，大数据常用：Hadoop、Spark，现在更多的是实时数据分析，包括淘宝、京东、附近美食等。

        下图是大数据的一些应用。

        说到大数据，就不得不提Hadoop，而说到Hadoop，又不得不提Map-Reduce。

        MapReduce是一个软件框架由上千个商用机器组成的大集群上，并以一种可靠的，具有容错能力的方式并行地处理上TB级别的海量数据集。MapReduce的思想是“分而治之”。Mapper负责“分，Reducer负责对map阶段的结果进行汇总。

        <二>.数据挖掘（Data Mining）
        数据挖掘（Data Mining）：数据库、机器学习、人工智能、统计学的交叉学科。
        数据挖掘需要发现有价值的知识，同时最顶端都是具有智慧的去发现知识及有价值的信息。

  

        因为这门课程主要是针对网页数据进行的大数据分析，需要Web Mining分类如下：

        Web挖掘主要分为三类：Web日志挖掘、Web内容挖掘、Web结构挖掘。

        <三>.机器学习
        讲到机器学习和数据挖掘相关的知识，我通常都会补充两幅图片，感觉真的很棒。很想象的表示了计算机智能化与人类传统知识的类比。

       推荐文章：机器学习：“一文读懂机器学习，大数据/自然语言处理/算法全有了”

二. 安装Python及基础知识

       <一>.安装Python
        在开始使用Python编程之前，需要介绍Python的安装过程。python解释器在Linux中可以内置使用安装，windows中需要去http://www.python.org官网downloads页面下载。具体步骤如下：
        第一步：打开Web浏览器并访问http://www.python.org官网；

        第二步：在官网首页点击Download链接，进入下载界面，选择Python软件的版本，作者选择下载python 2.7.8，点击“Download”链接。
        Python下载地址：
        第三步：选择文件下载地址，并下载文件。
        第四步：双击下载的“python-2.7.8.msi”软件，并对软件进行安装。

        第五步：在Python安装向导中选择默认设置，点击“Next”，选择安装路径，这里设置为默认的安装路径“C:\Python27”，点击“Next”按钮，如图所示。
        注意1：建议将Python安装在C盘下，通常路径为C:\Python27，不要存在中文路径。

        在Python安装向导中选择默认设置，点击“Next”，选择安装路径，这里设置为默认的安装路径“C:\Python27”，点击“Next”按钮。

        安装成功后，如下图所示：

        第六步：假设安装一切正常，点击“开始”，选中“程序”，找到安装成功的Python软件，如图所示：

        选中上图中第三个图标，即点击“Python （command line）命令行模式”，运行程序输入如下代码：
        print 'hello world'
        则python命令行模式的解释器会打印输出“hello world”字符串，如下图所示。

        选中图中的第一个图片，点击“IDLE （Python GUI）”，即运行Python的集成开发环境（Python Integrated Development Environment，IDLE），运行结果如下图。
        注意2：建议大家使用IDLE写脚本，完整的代码而不是通过命令行模式。

        <二>.Python基础知识
        这里简单入门介绍，主要介绍下条件语句、循环语句、函数等基础知识。
        1、函数及运行
        这里举个简单的例子。打开IDLE工具->点击栏"File"->New File新建文件->命名为test.py文件，在test文件里添加代码如下：

def fun1():  
    print 'Hello world'  
    print 'by eastmount csdn'    
print 'output'  
fun1()    
def fun2(val1,val2):  
    print val1  
    print val2    
fun2(8,15)  

        保存文件。并在test.py文件里点击Run->Run Module，输出结果如下图所示。

        2、条件语句
        包括单分支、双分支和多分支语句，if-elif-else。
        (1).单分支语句
        它的基本格式是：
                                 if condition:
                                          statement
                                          statement

        需要注意的是Ptthon中if条件语句条件无需圆括号()，条件后面需要添加冒号，它没有花括号{}而是使用TAB实现区分。其中condition条件判断通常有布尔表达式(True|False 0-假|1-真 非0即真)、关系表达式(>= <= == !=)和逻辑运算表达式(and or not)。
        (2).双分支语句
        它的基本格式是：
                                  if condition:
                                          statement
                                          statement
                                  else:
                                          statement
                                          statement
        (3).多分支语句
        if多分支由if-elif-else组成，其中elif相当于else if，同时它可以使用多个if的嵌套。具体代码如下所示：

#双分支if-else
count = input("please input:")
print 'count=',count
if count>80:
    print 'lager than 80'
else:
    print 'lower than 80'
print 'End if-else'

#多分支if-elif-else
number = input("please input:")
print 'number=',number
if number>=90:
    print 'A'
elif number>=80:
    print 'B'
elif number>=70:
    print 'C'
elif number>=60:
    print 'D'
else:
    print 'No pass'
print 'End if-elif-else'

#条件判断
sex = raw_input("plz input your sex:")
if sex=='male' or sex=='m' or sex=='man':
    print 'Man'
else:
    print 'Woman'

        3、while循环语句
        while循环语句的基本格式如下:
                                                         while condition:
                                                                 statement
                                                                 statement
                                                         else:
                                                                 statement
                                                                 statement
        其中判断条件语句condition可以为布尔表达式、关系表达式和逻辑表达式，else可以省略(此处列出为与C语言等区别)。举个例子：

#循环while计数1+2+..+100
i = 1
s = 0
while i <= 100:
    s = s+i
    i = i+1
else:
    print 'exit while'
print 'sum = ',s

'''
输出结果为：exit while
          sum = 5050
'''

        4、for循环
        该循环语句的基础格式为：
                                                 for target in sequences:
                                                         statements
        target表示变量名,sequences表示序列,常见类型有list(列表)、tuple(元组)、strings(字符串)和files(文件).
        Python的for没有体现出循环的次数，不像C语言的for(i=0;i<10;i++)中i循环计数，Python的for指每次从序列sequences里面的数据项取值放到target里，取完即结束，取多少次循环多少次。其中in为成员资格运算符，检查一个值是否在序列中。同样可以使用break和continue跳出循环。
        下面是文件循环遍历的过程：

#文件循环遍历三种对比  
for n in open('for.py'，'r').read():  
    print n，  
print 'End'  
for n in open('for.py'，'r').readlines():  
    print n，  
print 'End'    
for n in open('for.py'，'r').readline():  
    print n，  
print 'End'  

        5、课堂讲解代码
        这是我课堂讲解的代码，仅供大家参考：

#coding=utf-8 
import os
import string

print '贵州财经大学大数据金融学院，大家好！'

def fun1():
    print 'Hello world'
    print 'Goodbye!'

#计算和
def fun2(n, m):
    return n+m

#输出结果
fun1()
s = fun2(3,8)
print 'sum = ' + str(s)
print 'sum =', s

#判断语句 u表示unicode字符串
if(s>10):
    print u'大于10'
else:
    print u'小于等于10'

#循环语句
i = 1
s = 0
while i<=100:
    s = s + i
    i = i + 1
else:
    print 'end while'
print 'sum =', s
'''
输出结果为:sum=5050
'''

#for循环
num = [2, 4, 6, 8, 10]
for x in num:
    print x

        输出结果如下图所示：

三. 安装PIP及第三方包

        接下来需要详解介绍爬虫相关的知识了，这里主要涉及到下面几个知识：

        爬虫主要使用Python(字符串|urllib)+Selenium+PhantomJS+BeautifulSoup。

        在介绍爬虫及Urllib下载网页或图片之前，先交大家如何使用pip安装第三方的库。

        PIP
        在介绍介绍它们之前，需要安装PIP软件。正如xifeijian大神所说：“作为Python爱好者，如果不知道easy_install或者pip中的任何一个的话，那么......”。
         easy_insall的作用和perl中的cpan，ruby中的gem类似，都提供了在线一键安装模块的傻瓜方便方式，而pip是easy_install的改进版，提供更好的提示信息，删除package等功能。老版本的python中只有easy_install，没有pip。常见的具体用法如下：

easy_install的用法：  
1） 安装一个包  
 $ easy_install   
 $ easy_install "=="  
2) 升级一个包  
 $ easy_install -U ">="  
  
pip的用法  
1) 安装一个包  
 $ pip install   
 $ pip install ==  
2) 升级一个包 (如果不提供version号，升级到最新版本）  
 $ pip install --upgrade >=  
3）删除一个包  
 $ pip uninstall   

        第一步：下载PIP软件
        可以在官网http://pypi.python.org/pypi/pip#downloads下载，同时cd切换到PIP目录，在通过python setup.py install安装。而我采用的是下载pip-Win_1.7.exe进行安装，下载地址如下：
        这里作者提供几种方法供大家下载：
        http://download.csdn.net/detail/eastmount/9598651

        第二步：安装PIP软件

       当提示"pip and virtualenv installed"表示安装成功，那怎么测试PIP安装成功呢？
        
        第三步：配置环境变量
        此时在cmd中输入pip指令会提示错误“不是内部或外部命令”。

         注意：两种解决方法，一种是通过cd ..去到Srcipts环境进行安装，pip install...

        方法二：另一种配置Path路径。
        需要添加path环境变量。PIP安装完成后，会在Python安装目录下添加python\Scripts目录，即在python安装目录的Scripts目录下，将此目录加入环境变量中即可！过程如下：

        第四步：使用PIP命令
       下面在CMD中使用PIP命令，“pip list outdate”列举Python安装库的版本信息。

       注意：安装成功后，会在Python环境中增加Scripts文件夹，包括easy_install和pip。

       PIP安装过程中可能出现各种问题，一种解决方法是去到python路径，通过python set_up.py install安装；另一种是配置Path环境比例。

        课堂重点知识：
       第一节课主要想让大家体会下Python网络爬虫的过程及示例。需要安装的第三方库主要包括三个：
       pip install httplib2
       pip install urllib
       pip install selenium

 

        在安装过程中，如果pip install urllib报错，是因为httplib2包含了，可直接用。

        注意：如果pip安装报错ascii编码问题，需要把计算机名称从中文修改为英文名。

四. Urllib下载网页及图片

        在使用pip install urllib或pip install urllib2后，下面这段代码是下载网页。

#coding=utf-8
import os
import urllib
import httplib2
import webbrowser as web

#爬取在线网站
url = "http://www.baidu.com/"  
content = urllib.urlopen(url).read()  
open("baidu.html","w").write(content)
#浏览求打开网站
web.open_new_tab("baidu.html")  

        首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP、FILE、HTTPS 等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下：

urlopen(url, data, timeout)

        第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。
        第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT。
        第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。

response = urllib2.urlopen("http://www.baidu.com") 
print response.read()

        response对象有一个read方法，可以返回获取到的网页内容。
        获取的网页本地保存为"baidu.html"，通过浏览器打开如下图所示：

        然后是需要下载图片，这里需要学会找到图片的URL，如下图百度的LOGO，可以通过浏览器右键"审查元素"或"检查"来进行定位。

        定位URL后，再通过函数urlretrieve()进行下载。

#coding=utf-8
import os
import urllib
import httplib2
import webbrowser as web

#爬取在线网站
url = "http://www.baidu.com/"  
content = urllib.urlopen(url).read()  
open("baidu.html","w").write(content)
#浏览求打开网站
web.open_new_tab("baidu.html")  

#下载图片 审查元素
pic_url = "https://www.baidu.com/img/bd_logo1.png"
pic_name = os.path.basename(pic_url)  #删除路径获取图片名字   
urllib.urlretrieve(pic_url, pic_name)


#本地文件
content = urllib.urlopen("first.html").read()  
print content

#下载图片 审查元素
pic_url = "imgs/bga1.jpg"
pic_name = os.path.basename(pic_url)  #删除路径获取图片名字   
urllib.urlretrieve(pic_url, pic_name)

        重点知识：
        urllib.urlopen(url[, data[, proxies]]) :创建一个表示远程url的类文件对象，然后像本地文件一样操作这个类文件对象来获取远程数据。
        urlretrieve方法直接将远程数据下载到本地。
        如果需要显示进度条，则使用下面这段代码：

import urllib
def callbackfunc(blocknum, blocksize, totalsize):
    '''回调函数
    @blocknum: 已经下载的数据块
    @blocksize: 数据块的大小
    @totalsize: 远程文件的大小
    '''
    percent = 100.0 * blocknum * blocksize / totalsize
    if percent > 100:
        percent = 100
    print "%.2f%%"% percent
url = 'http://www.sina.com.cn'
local = 'd:\\sina.html'
urllib.urlretrieve(url, local, callbackfunc)

五. HTML网页基础知识及审查元素

        HTML DOM是HTML Document Object Model（文档对象模型）的缩写，HTML DOM则是专门适用于HTML/XHTML的文档对象模型。熟悉软件开发的人员可以将HTML DOM理解为网页的API。它将网页中的各个元素都看作一个个对象，从而使网页中的元素也可以被计算机语言获取或者编辑。

        DOM是以层次结构组织的节点或信息片断的集合。这个层次结构允许开发人员在树中导航寻找特定信息。分析该结构通常需要加载整个文档和构造层次结构，然后才能做任何工作。由于它是基于信息层次的，因而 DOM 被认为是基于树或基于对象的。

        HTML DOM 定义了访问和操作HTML文档的标准方法。 HTML DOM 把 HTML 文档呈现为带有元素、属性和文本的树结构（节点树）。它们都是一个节点（Node），就像公司的组织结构图一样。 我们现在从另一个角度来审视源代码，first.html的源码如下：

  
       
      
    
    
    
    欢迎大家学习《基于Python的Web大数据爬取实战指南》! 
  
    

        这个例子的第一个元素就是元素，在这个元素的起始标签和终止标签之间，又有几个标签分别起始和闭合，包括、