数据挖掘敲门砖--Python爬虫入门

benny

发布于 2018-03-06 18:44:36

9450

发布于 2018-03-06 18:44:36

文章被收录于专栏：程序员的碎碎念程序员的碎碎念

WHAT

数据挖掘是一门综合的技术，随着Ai的兴起，在国内的需求日渐增大。

数据挖掘的职业方向通常有三个，顺便概要地提一下所需的技能（不仅于此）

数据分析方向：需要数理知识支撑，比如概率论，统计学等
数据挖掘方向：需要懂得主流算法的原理及应用，数据库的原理和操作
科学研究方向：通常是科学家们在深入研究数据挖掘的相关基础理论和算法

但是看完简介，好像和爬虫没什么关系？接着往下看。

要开始数据挖掘之路，可以先从培养数据分析能力开始。数据分析的常见步骤是：

数据准备
数据观察（找规律）
数据建模
数据挖掘（将得到的模型选择合适的算法应用到数据上，验证并得出结论）

WHY

据统计，数据准备占整个数据分析70%的时间. 我们把数据准备的步骤进行细分:

数据获取: 数据爬虫, 数据仓库
数据清洗: 去掉无用的数据
数据整理: 将数据规格化
数据存储: 先存储为CSV等文件, 最后再将数据进行整理和归档

注释: CSV, 全称Comma-Separated Values,即逗号分割值. 
     是将数据以逗号分隔开的一种纯文本文件, 实际上逗号可以是用其他符号代替.
(若手机显示不全,请右滑)

数据仓库通常是企业级的应用, 对于我们这种初学者获取的难度较高. 而数据爬虫的门槛就很低了, 甚至对于没接触过编程的其他专业的朋友也没有很高的门槛, 这得益于一门语法简单的语言-----Python的流行.

这就是为什么把Python爬虫称作敲门砖的原因啦

HOW

现在我们的目标变成两个, 先会Python, 再会用Python爬虫

Python入门

选择一个合适的教程可以让你少走一些弯路, 在Google上搜索Python教程, 可以收到42万条结果, 排名靠前的菜鸟教程, 廖雪峰的Python教程, 以及简明Python教程, 都是适合入门的免费教程

菜鸟教程 http://www.runoob.com/python/python-tutorial.html
廖雪峰的官方网站 https://www.liaoxuefeng.com/
简明Python教程 https://bop.mol.uno/

感觉没时间先完全系统地学习? 可以先把下面这些Python知识先掌握, 以后再把其他补上!

list，dict(列表, 字典)：用来序列化你爬的东西
切片：用来对爬取的内容进行分割，生成
条件判断（if等）：用来解决爬虫过程中哪些要哪些不要的问题
循环和迭代（for while ）：用来循环，重复爬虫动作
文件读写操作：用来读取参数、保存爬下来的内容等

了解爬虫

发送请求——获得页面——解析页面——下载内容——储存内容, 这是通常爬虫的五步走. 再简化一下步骤, 就是 分析目标, 解析页面, 存储内容

分析目标

我们要分析的目标----网页, 它里面的信息只有两种呈现方式：

HTML
JSON

这些信息是我们先向服务器发送请求, 随后服务器返回信息给我们. 有点像我们平时在餐馆吃饭, 你既要POST跟服务器'点菜', 也要GET等服务器'上菜'

你可以学习Python的一个基础库Request http://docs.python-requests.org/zh_CN/latest/user/quickstart.html 通过它来模拟发出POST和GET请求

相关知识连接:(若手机显示不全请右滑)
HTML: 
http://www.w3school.com.cn/h.asp

JSON: 
http://www.runoob.com/json/json-intro.html

GET与POST: 
http://www.cnblogs.com/hyddd/archive/2009/03/31/1426026.html

解析页面

解析页面有两把利器: 一个是正则表达式, 另一个是选择一些库来帮助我们解析,比如Beautiful Soup

相关知识连接:(若手机显示不全请右滑)
Beautiful Soup: 
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

正则表达式:
http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html