【数据采集】采集软科大学排名、天气网、学校新闻网的数据 | 文末送书✨

• 粉丝福利送书：《Hadoop+spark+Python大数据处理从算法到实战》
• 点赞 收藏 ⭐留言 即可参与抽奖送书
• 下周三(10月7日)晚上20：00将会在【点赞区和评论区】抽一位粉丝送这本书~
• 详情请看第四点的介绍嗷~✨

1. ①

1.1 题目

用urllib和re库方法定向爬取给定网址的数据

1.2 思路

1.2.1 发送请求

• 引入库并且编写请求头

请求头是为了把爬虫包装成浏览器的正常访问。

import urllib.request
import re

header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
}

• urllib和requests不同

urllib构造请求头和发送请求是分开的，而requests是封装在一起的。

url = "https://www.shanghairanking.cn/rankings/bcsr/2020/0812"
request = urllib.request.Request(url, headers=header) # 构造请求头
r = urllib.request.urlopen(request)  # 发送请求

1.2.2 解析网页

• decode() 是为了解码成中文
• replace(’\n’,’’) 是为了把回车去掉，方便后续的正则匹配。

html = r.read().decode().replace('\n','')

1.2.3 获取结点

• 分析网页

我们很容易找到结点信息，然后观察节点信息的结构。

• 使用正则表达式获取总体的节点信息

ranking = re.findall("(.*?)",html)

• 构造字典来存储数据

uList =[]
for k in ranking:
    u = {
        "rank":"",
        "percent":"",
        "name":"",
        "socre":"",
    }
    name = re.findall("img alt=(.*?) onerror",k) 
    # 匹配出名字
    ranking = re.findall("                        (\d+)                    ",k)
    # 匹配出排名
    socre = re.findall("                        (.*?)                    ",k)
    # 匹配出分数
    u["rank"]=ranking[0]
    u["percent"]=socre[0]
    u["name"]=eval(name[0])
    u["socre"]=socre[1]
    uList.append(u)

1.2.4 数据输出

print("2020排名\t全部层次\t学校类型\t\t总分")
for u in uList:
    print("{}\t\t{}\t\t{}\t\t{}\t\t".format(u["rank"],u["percent"],u["name"],u["socre"]))

2. ②

2.1 题目

用requests和Beautiful Soup库方法设计爬取网址的AQI实时报

2.2 思路

2.2.1 发送请求

• 导入库

import requests
from bs4 import BeautifulSoup

• 构造请求头

headers = {
    'Connection': 'keep-alive',
    'sec-ch-ua': '"Chromium";v="94", "Google Chrome";v="94", ";Not A Brand";v="99"',
    'sec-ch-ua-mobile': '?0',
    'sec-ch-ua-platform': '"Windows"',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Sec-Fetch-Site': 'none',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Sec-Fetch-Dest': 'document',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}

• 发送请求

response = requests.get('https://datacenter.mee.gov.cn/aqiweb2/', headers=headers)

2.2.2 解析网页

• 使用BeautifulSoup解析器进行解析，解析成lxml格式

soup = BeautifulSoup(response.content,"lxml")

解析器的作用是为了把请求到的字符串重新解析成lxml前端树的格式，方便获取器进行节点的Find等操作。

2.2.3 获取结点

• 分析网页

我们可以看到我们所想要的节点信息都是在这个在td标签下的，所以我们只需要找到所有的td标签即可。

• 找到所有的td

tdTmp = soup.find_all('td')

结果我们打印结果，我们发现，数据除了text格式之后，还可能存在\t\n\r这些空格，所以要进行一个清洗替换

• 数据清洗

把\r\t\n这些空格回车字符进行清洗替换

for i in range(len(tdTmp)):
    info=tdTmp[i].text
    if len(info)>10:
        info = info.replace('\r', '')  
        info = info.replace('\n', '')
        info = info.replace('\t', '')
        somethingList.append(info)
    if count < 8:
        count += 1
        td.append(info)
    else:
        tds.append(td)
        count=0
        td = []

2.2.4 数据输出

一样采用字典键值对去存储数据。

num=0
for td in tds:
    cityWeather={
        "num":"",
        "city":"",
        "AQI":"",
        "PM2.5":"",
        "So2":"",
        "No2":"",
        "Co":"",
        "something":"",
    }
    cityWeather["num"]=num+1
    cityWeather["city"]=td[0]
    cityWeather["AQI"]=td[1]
    cityWeather["PM2.5"]=td[2]
    cityWeather["So2"]=td[4]
    cityWeather["No2"]=td[5]
    cityWeather["Co"]=td[6]
    cityWeather["something"]=somethingList[num]
    num+=1
    infoList.append(cityWeather)
    print(cityWeather)

结果输出

print("序号 \t 城市 \t\t AQI \t PM2.5 \t So2 \t Co \t 首要污染物")
for k in infoList:
    print("{} \t {} \t {} \t {} \t {} \t {} \t {}".format(k["num"],k["city"],k["AQI"],k["PM2.5"],k["So2"],k["Co"],k["something"]))

3. ③

3.1 题目

要求：使用urllib和requests和re爬取一个给定网页
爬取该网站下的所有图片
输出信息：将自选网页内的所有jpg文件保存在一个文件夹中

3.2 思路

3.2.1 发送请求

• 引入库

import requests,re
import urllib

• 构造请求头

headers = {
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}
url = 'http://news.fzu.edu.cn/'

• 发送请求

urllib:

request = urllib.request.Request(url, headers=headers)
r = urllib.request.urlopen(request)

requests:

response = requests.get(url, headers=headers, verify=False)

3.2.2 解析网页

urllib:

html = r.read().decode().replace('\n','')

requests:

html = response.content().replace('\n','')

3.2.3 获取结点

• 注意一点img和src之间也可能会有匹配的，所以不能直接使用
  • 正则匹配出所有的图片信息

  imgList = re.findall(r', html, re.S)
  

  3.2.4 数据输出

  • 创建一个文件夹image进行保存

  for i, img in enumerate(imgList):
      img_url = "http://news.fzu.edu.cn" + img
      print(f"正在保存第{i + 1}张图片 路径:{img_url}")
      resp = requests.get(img_url)
      with open(f'./image/{img.split("/")[-1]}', 'wb') as f:
          f.write(resp.content)
  

  

  4. 福利送书

  点赞，评论这篇博文即可参与送书。

  【参考文案】

  学习人工智能，为什么要从基础的算法开始入门？学习大数据分析，为什么最后却讲解起了云计算？在“大数据”“云计算”“人工智能”被频繁提起的今天，你是否知道这三个名词间有什么关系？
  如果你也有类似疑问，那一定要好好看看北京大学出版社倾力打造的新书——《Hadoop+spark+Python大数据处理从算法到实战》！本书围绕大数据处理的三大核心要素（算力+数据+算法），剖析大数据处理全过程，没有高冷的代码，也没有繁杂的公式，用“简单的方法”搞定大数据，带你用愉快的心情玩转AI！
  

  【内容简介】

  本书围绕新基建的云计算、大数据及人工智能进行介绍，分为以下五个部分。
  第一部分，介绍大数据的概念与特点，以及典型的产业应用场景；
  第二部分，介绍目前云计算中的一个重要的研究与应用领域——容器云，包含应用容器引擎Docker与容器编排工具Kubernetes；
  第三部分，是大数据分析的基础，也是大数据分析技术的重点，包含Hadoop、HBase、Hive、Spark的环境搭建及开发流程；
  第四部分，是机器学习相关算法的应用，包含scikit-learn、SparkML、TensorFlow工具的使用；
  第五部分，以实例介绍如何使用Spark机器学习库中的协同过滤算法，来实现一个基于Web的推荐系，以及介绍如何使用OpenCV与TensorFlow构建卷积神经网络来实现基于Web的人脸识别。

  本书轻理论，重实践，适合有一定编程基础，且对云计算、大数据、机器学习、人工智能感兴趣，希望投身到新基建这一伟大事业的读者学习。同时，本书还可作为广大院校相关专业的教材和培训参考用书。