网页qq抓取什么原理(2017年成都会计从业资格考试《python学起》学习方法)

　　网页qq抓取什么原理(2017年成都会计从业资格考试《python学起》学习方法)

　　文章目录

　　一、简介

　　很多人学习python，不知道从哪里开始。

　　很多人学了python，掌握了基本的语法之后，都不知道去哪里找case入门了。

　　许多做过案例研究的人不知道如何学习更高级的知识。

　　所以针对这三类人，我会为大家提供一个很好的学习平台，免费的视频教程，电子书，还有课程的源码！

　　QQ群：101677771

　　一般的爬虫套路无非就是发送请求、获取响应、解析网页、提取数据、保存数据的步骤。requests 库主要用于构造请求，xpath 和正则匹配多用于定位和提取数据。对于一个完整的爬虫来说，代码量可以从几十行到上百行不等。初学者的学习成本相对较高。

　　说到read.xxx系列pandas的功能，常用的读取数据的方法有：pd.read_csv()和pd.read_excel()，而pd.read_html()很少用到，但是它的作用是很强大。尤其是用来抓Table数据的时候，简直就是神器。无需掌握正则表达式或xpath等工具，只需几行代码即可快速抓取网页数据并保存在本地。

　　二、原理

　　pandas 适合抓取表格数据。首先，我们看一下具有表格数据结构的网页，例如：

　　

　　

　　用Chrome浏览器查看网页的HTML结构，会发现表格数据有一些共性。一般网页结构如下所示。

　　

...

...

...

...

...

...

...

...

...

　　网页有以上结构，我们可以尝试使用pandas的pd.read_html()方法直接获取数据。

　　

　　pd.read_html()的一些主要参数

　　三、爬行实战

　　示例 1

　　爬取2019年成都空气质量数据（12页数据），目标网址：

　　import pandas as pd

dates = pd.date_range(‘20190101‘, ‘20191201‘, freq=‘MS‘).strftime(‘%Y%m‘) # 构造出日期序列 便于之后构造url

for i in range(len(dates)):

df = pd.read_html(f‘http://www.tianqihoubao.com/aqi/chengdu-{dates[i]}.html‘, encoding=‘gbk‘, header=0)[0]

if i == 0:

df.to_csv(‘2019年成都空气质量数据.csv‘, mode=‘a+‘, index=False) # 追加写入

i += 1

else:

df.to_csv(‘2019年成都空气质量数据.csv‘, mode=‘a+‘, index=False, header=False)

　　9行代码就搞定了，爬取速度也很快。

　　查看保存的数据

　　

　　示例 2

　　抓取新浪财经基金重仓股数据（25页数据），网址：

　　import pandas as pd

df = pd.DataFrame()

for i in range(1, 26):

url = f‘http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={i}‘

df = pd.concat([df, pd.read_html(url)[0].iloc[::,:-1]]) # 合并DataFrame 不要明细那一列

df.to_csv(‘新浪财经基金重仓股数据.csv‘, encoding=‘utf-8‘, index=False)

　　6行代码就搞定了，爬取速度也很快。

　　查看保存的数据：

　　

　　以后爬一些小数据的时候，只要遇到这种Table数据，可以先试试pd.read_html()方法。