利用python进行数据分析 python如何抓取数据

时间:2018-04-17 15:04:51

在编程当中有许多语言，有c语言，有C++语言，有basic语言，也有Pascal语言，这些语言都是比较常见的，而python也是编程语言当中的一种，如果不是专业的人员，对于这一编程语言是不了解的。那么这一编程语言是什么？又是如何使用的呢？接下来我们就一起来好好的了解一下吧。

利用python进行数据分析——python是什么

Python是一种开放源代码的脚本编程语言，这种脚本语言特别强调开发速度和代码的清晰程度。它可以用来开发各种程序，从简单的脚本任务到复杂的、面向对象的应用程序都有大显身手的地方。Python还被当作一种入门程序员最适合掌握的优秀语言，因为它免费、面向对象、扩展性强同时执行严格的编码标准。

利用python进行数据分析之抓取数据的方法

正则表达式

当我们使用正则表达式抓取国家面积数据时，首先要尝试匹配元素中的内容，如下所示:

从上述结果看出，多个国家属性都使用了< td class=”w2p_fw” >标签。要想分离出面积属性，我们可以只选择其中的第二个元素，如下所示:

虽然现在可以使用这个方案，但是如果网页发生变化，该方案很可能就会失效。比如表格发生了变化，去除了第二行中的国土面积数据。如果我们只在现在抓取数据，就可以忽略这种未来可能发生的变化。但是，如果我们希望未来还能再次抓取该数据，就需要给出更加健壮的解决方案，从而尽可能避免这种布局变化所带来的影响。想要该正则表达式更加健壮，我们可以将其父元素< tr >也加入进来。由于该元素具有ID属性，所以应该是唯一的。

这个迭代版本看起来更好一些，但是网页更新还有很多其他方式，同样可以让该正则表达式无法满足。比如，将双引号变为单引号，< td >标签之间添加多余的空格，或是变更area_label等。下面是尝试支持这些可能性的改进版本。

虽然该正则表达式更容易适应未来变化，但又存在难以构造、可读性差的问题。此外，还有一些微小的布局变化也会使该正则表达式无法满足，比如在< td >标签里添加title属性。
从本例中可以看出，正则表达式为我们提供了抓取数据的快捷方式，但是，该方法过于脆弱，容易在网页更新后出现问题。幸好还有一些更好的解决方案，后期将会介绍。

Beautiful Soup

Beautiful Soup是一个非常流行的 Python 模块。该模块可以解析网页，并提供定位内容的便捷接口。如果你还没有安装该模块，可以使用下面的命令安装其最新版本(需要先安装 pip，请自行百度):

使用 Beautiful Soup 的第一步是将已下载的 HTML 内容解析为 soup 文档。由于大多数网页都不具备良好的 HTML 格式，因此 Beautiful Soup 需要对其实际格式进行确定。例如，在下面这个简单网页的列表中，存在属性值两侧引号缺失和标签未闭合的问题。

如果 Population 列表项被解析为 Area 列表项的子元素，而不是并列的两个列表项的话，我们在抓取时就会得到错误的结果。下面让我们看一下 Beautiful Soup 是如何处理的。

从上面的执行结果中可以看出，Beautiful Soup 能够正确解析缺失的引号并闭合标签。现在可以使用 find() 和 find_all() 方法来定位我们需要的元素了。

Lxml

Lxml 是基于 libxml2 这一 XML 解析库的 Python 封装。该模块使用 C语言编写，解析速度比 Beautiful Soup 更快，不过安装过程也更为复杂。和 Beautiful Soup 一样，使用 lxml 模块的第一步也是将有可能不合法的 HTML 解析为统一格式。下面是使用该模块解析一个不完整 HTML 的例子:

同样地，lxml 也可以正确解析属性两侧缺失的引号，并闭合标签，不过该模块没有额外添加 < html > 和 < body > 标签。解析完输入内容之后，进入选择元素的步骤，此时 lxml 有几种不同的方法，比如 XPath 选择器和类似 Beautiful Soup 的 find() 方法。不过，后续我们将使用 CSS 选择器，因为它更加简洁，并且能够在解析动态内容时得以复用。此外，一些拥有 jQuery 选择器相关经验的读者会对其更加熟悉。

以上就是有关利用python进行数据分析的所有内容，从这里我们就可以知道至于语言，在网站优化的过程当中是非常重要的，也是经常会使用到的一种方法，所以如果你是网络优化的从业者，那么学习这一编程也是非常必要的。如果想了解更多的内容，欢迎关注我们文军营销的官网。

利用python进行数据分析 python如何抓取数据

最新文章

热门文章