【机器学习】数据准备--python爬虫

博客 分享
0 131
优雅殿下
优雅殿下 2022-06-22 22:00:52
悬赏:0 积分 收藏

【机器学习】数据准备--python爬虫

前言

我们在学习机器学习相关内容时,一般是不需要我们自己去爬取数据的,因为很多的算法学习很友好的帮助我们打包好了相关数据,但是这并不代表我们不需要进行学习和了解相关知识。在这里我们了解三种数据的爬取:鲜花/明星图像的爬取、中国艺人图像的爬取、股票数据的爬取。分别对着三种爬虫进行学习和使用。

  • 体会
    个人感觉爬虫的难点就是URL的获取,URL的获取与自身的经验有关,这点我也很难把握,一般URL获取是通过访问该网站通过抓包进行分析获取的。一般也不一定需要抓包工具,通过浏览器的开发者工具(F12/Fn+F12)即可进行获取。

鲜花/明星图像爬取

URL获取

  • 百度搜索鲜花关键词,并打开开发者工具,点击NrtWork

image

  • 找到数据包进行分析,分析重要参数
    image

    • pn 表示第几张图片加载
    • rn 表示加载多少图片
  • 查看返回值进行分析,可以看到图片体制在ThumbURL中
    image

下载过程

  • http://image.baidu.com/search/acjson? 百度图片地址

  • 拼接tn 进行访问可以得到每个图片的URL,在返回数据的thumbURL中
    https://image.baidu.com/search/acjson?+tn

  • 进行分离图片的URL然后访问下载

代码

import requestsimport osimport urllibclass GetImage():    def __init__(self,keyword='鲜花',paginator=1):        self.url = 'http://image.baidu.com/search/acjson?'        self.headers = {            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36'        }        self.keyword = keyword        self.paginator = paginator    def get_param(self):        keyword = urllib.parse.quote(self.keyword)        params = []        for i in range(1,self.paginator+1):            params.append(               'tn=resultjson_com&logid=10338332981203604364&ipn=rj&ct=201326592&is=&fp=result&fr=&word={}&queryWord={}&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&expermode=&nojc=&isAsync=&pn={}&rn=30&gsm=78&1650241802208='.format(keyword,keyword,30*i)            )        return params    def get_urls(self,params):        urls = []        for param in params:            urls.append(self.url+param)        return urls    def get_image_url(self,urls):        image_url = []        for url in urls:            json_data = requests.get(url,headers = self.headers).json()            json_data = json_data.get('data')            for i in json_data:                if i:                    image_url.append(i.get('thumbURL'))        return image_url    def get_image(self,image_url):        ##根据图片url,存入图片        file_name = os.path.join("", self.keyword)        #print(file_name)        if not os.path.exists(file_name):            os.makedirs(file_name)        for index,url in enumerate(image_url,start=1):            with open(file_name+'/{}.jpg'.format(index),'wb') as f:                f.write(requests.get(url,headers=self.headers).content)            if index != 0 and index%30 == 0:                print("第{}页下载完成".format(index/30))    def __call__(self, *args, **kwargs):        params = self.get_param()        urls = self.get_urls(params)        image_url = self.get_image_url(urls)        self.get_image(image_url=image_url)if __name__ == '__main__':    spider = GetImage('鲜花',3)    spider()

明星图像爬取

  • 只需要把main函数里的关键字换一下就可以了,换成明星即可
if __name__ == '__main__':    spider = GetImage('明星',3)    spider()

其他主题

  • 同理的我们需要其他图片也可以换
if __name__ == '__main__':    spider = GetImage('动漫',3)    spider()

艺人图像爬取

方法一

  • 我们可以使用上面的爬取图片的方式,把关键词换为中国艺人也可以爬取图片

方法二

  • 显然上面的方式可以满足我们部分需求,我们如果需要爬取不同艺人那么上面的方式就不是那么好了。
  • 我们下载10个不同艺人的图片,然后用他们的名字命名图片名,再把他们存入picture文件内

代码

import requestsimport jsonimport osimport urllibdef getPicinfo(url):    headers = {       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:101.0) Gecko/20100101 Firefox/101.0',    }    response = requests.get(url,headers)    if response.status_code == 200:        return response.text    return NoneDownload_dir = 'picture'if os.path.exists(Download_dir) == False:    os.mkdir(Download_dir)pn_num = 1rn_num = 10for k in range(pn_num):    url = "https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?resource_id=28266&from_mid=500&format=json&ie=utf-8&oe=utf-8&query=%E4%B8%AD%E5%9B%BD%E8%89%BA%E4%BA%BA&sort_key=&sort_type=1&stat0=&stat1=&stat2=&stat3=&pn="+str(pn_num)+"&rn="+str(rn_num)+"&_=1580457480665"    res = getPicinfo(url)    json_str = json.loads(res)    figs = json_str['data'][0]['result']    for i in figs:        name = i['ename']        img_url = i['pic_4n_78']        img_res = requests.get(img_url)        if img_res.status_code == 200:            ext_str_splits = img_res.headers['Content-Type'].split('/')            ext = ext_str_splits[-1]            fname = name+'.'+ext            open(os.path.join(Download_dir,fname),'wb').write(img_res.content)            print(name,img_url,'saved')

股票数据爬取

我们对http://quote.eastmoney.com/center/gridlist.html 内的股票数据进行爬取,并且把数据储存下来

爬取代码

# http://quote.eastmoney.com/center/gridlist.htmlimport requestsfrom fake_useragent import UserAgentimport jsonimport csvimport  urllib.request as rimport threadingdef getHtml(url):    r = requests.get(url, headers={        'User-Agent': UserAgent().random,    })    r.encoding = r.apparent_encoding    return r.text# 爬取多少num = 20stockUrl = 'http://52.push2.eastmoney.com/api/qt/clist/get?cb=jQuery112409623798991171317_1654957180928&pn=1&pz=20&po=1&np=1&ut=bd1d9ddb04089700cf9c27f6f7426281&fltt=2&invt=2&wbp2u=|0|0|0|web&fid=f3&fs=m:0+t:80&fields=f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f20,f21,f23,f24,f25,f22,f11,f62,f128,f136,f115,f152&_=1654957180938'if __name__ == '__main__':    responseText = getHtml(stockUrl)    jsonText = responseText.split("(")[1].split(")")[0];    resJson = json.loads(jsonText)    datas = resJson['data']['diff']    dataList = []    for data in datas:        row = [data['f12'],data['f14']]        dataList.append(row)    print(dataList)    f = open('stock.csv', 'w+', encoding='utf-8', newline="")    writer = csv.writer(f)    writer.writerow(("代码","名称"))    for data in dataList:        writer.writerow((data[0]+"\t",data[1]+"\t"))    f.close()def getStockList():    stockList = []    f = open('stock.csv', 'r', encoding='utf-8')    f.seek(0)    reader = csv.reader(f)    for item in reader:        stockList.append(item)    f.close()    return stockListdef downloadFile(url,filepath):    try:        r.urlretrieve(url,filepath)    except Exception as e:        print(e)    print(filepath,"is downLoaded")    passsem = threading.Semaphore(1)def dowmloadFileSem(url,filepath):    with sem:        downloadFile(url,filepath)urlStart = 'http://quotes.money.163.com/service/chddata.html?code='urlEnd = '&end=20210221&fields=TCLOSW;HIGH;TOPEN;LCLOSE;CHG;PCHG;VOTURNOVER;VATURNOVER'if __name__ == '__main__':    stockList = getStockList()    stockList.pop(0)    print(stockList)    for s in stockList:        scode = str(s[0].split("\t")[0])        url = urlStart+("0" if scode.startswith('6') else '1')+ scode + urlEnd        print(url)        filepath = (str(s[1].split("\t")[0])+"_"+scode)+".csv"        threading.Thread(target=dowmloadFileSem,args=(url,filepath)).start()

数据处理代码

有可能当时爬取的数据是脏数据,运行下面代码不一定能跑通,需要你自己处理数据还是其他方法

## 主要利用matplotlib进行图像绘制import pandas as pdimport matplotlib.pyplot as pltimport csvimport 股票数据爬取 as gpplt.rcParams['font.sans-serif'] = ['simhei'] #指定字体plt.rcParams['axes.unicode_minus'] = False #显示-号plt.rcParams['figure.dpi'] = 100 #每英寸点数files = []def read_file(file_name):    data = pd.read_csv(file_name,encoding='gbk')    col_name = data.columns.values    return data,col_namedef get_file_path():    stock_list = gp.getStockList()    paths = []    for stock in stock_list[1:]:        p = stock[1].strip()+"_"+stock[0].strip()+".csv"        print(p)        data,_=read_file(p)        if len(data)>1:            files.append(p)            print(p)get_file_path()print(files)def get_diff(file_name):    data,col_name = read_file(file_name)    index = len(data['日期'])-1    sep = index//15    plt.figure(figsize=(15,17))    x = data['日期'].values.tolist()    x.reverse()    xticks = list(range(0,len(x),sep))    xlabels = [x[i] for i in xticks]    xticks.append(len(x))    y1 = [float(c) if c!='None' else 0 for c in data['涨跌额'].values.tolist()]    y2 = [float(c) if c != 'None' else 0 for c in data['涨跌幅'].values.tolist()]    y1.reverse()    y2.reverse()    ax1 = plt.subplot(211)    plt.plot(range(1,len(x)+1),y1,c='r')    plt.title('{}-涨跌额/涨跌幅'.format(file_name.split('_')[0]),fontsize = 20)    ax1.set_xticks(xticks)    ax1.set_xticklabels(xlabels,rotation = 40)    plt.ylabel('涨跌额')    ax2 = plt.subplot(212)    plt.plot(range(1, len(x) + 1), y1, c='g')    #plt.title('{}-涨跌额/涨跌幅'.format(file_name.splir('_')[0]), fontsize=20)    ax2.set_xticks(xticks)    ax2.set_xticklabels(xlabels, rotation=40)    plt.xlabel('日期')    plt.ylabel('涨跌额')    plt.show()print(len(files))for file in files:    get_diff(file)

总结

上文描述了三个数据爬取的案例,不同的数据爬取需要我们对不同的URL进行获取,不同参数进行输入,URL如何组合、如何获取、这是数据爬取的难点,需要有一定的经验和基础。

posted @ 2022-06-22 21:38 hjk-airl 阅读(8) 评论(0) 编辑 收藏 举报
回帖
    优雅殿下

    优雅殿下 (王者 段位)

    2018 积分 (2)粉丝 (47)源码

    小小码农,大大世界

     

    温馨提示

    亦奇源码

    最新会员