【機器學習】資料準備--python爬蟲

前言

我們在學習機器學習相關內容時，一般是不需要我們自己去爬取資料的，因為很多的演算法學習很友好的幫助我們打包好了相關資料，但是這並不代表我們不需要進行學習和了解相關知識。在這裡我們瞭解三種資料的爬取：鮮花/明星影像的爬取、中國藝人影像的爬取、股票資料的爬取。分別對著三種爬蟲進行學習和使用。

• 體會
  個人感覺爬蟲的難點就是URL的獲取，URL的獲取與自身的經驗有關，這點我也很難把握，一般URL獲取是通過訪問該網站通過抓包進行分析獲取的。一般也不一定需要抓包工具，通過瀏覽器的開發者工具（F12/Fn+F12）即可進行獲取。

鮮花/明星影像爬取

URL獲取

• 百度搜尋鮮花關鍵詞，並開啟開發者工具，點選NrtWork

• 找到資料包進行分析,分析重要引數
  

  • pn 表示第幾張圖片載入
  • rn 表示載入多少圖片

• 檢視返回值進行分析，可以看到圖片體制在ThumbURL中
  

下載過程

• http://image.baidu.com/search/acjson? 百度圖片地址

• 拼接tn 進行訪問可以得到每個圖片的URL，在返回資料的thumbURL中
  https://image.baidu.com/search/acjson?+tn

• 進行分離圖片的URL然後訪問下載

程式碼

import requests
import os
import urllib

class GetImage():
    def __init__(self,keyword='鮮花',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):
        ##根據圖片url，存入圖片
        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{}頁下載完成".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('鮮花',3)
    spider()

明星影像爬取

• 只需要把main函式裡的關鍵字換一下就可以了，換成明星即可

if __name__ == '__main__':
    spider = GetImage('明星',3)
    spider()

其他主題

• 同理的我們需要其他圖片也可以換

if __name__ == '__main__':
    spider = GetImage('動漫',3)
    spider()

藝人影像爬取

方法一

• 我們可以使用上面的爬取圖片的方式，把關鍵詞換為中國藝人也可以爬取圖片

方法二

• 顯然上面的方式可以滿足我們部分需求，我們如果需要爬取不同藝人那麼上面的方式就不是那麼好了。
• 我們下載10個不同藝人的圖片，然後用他們的名字命名圖片名，再把他們存入picture檔案內

程式碼

import requests
import json
import os
import urllib

def 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 None


Download_dir = 'picture'
if os.path.exists(Download_dir) == False:
    os.mkdir(Download_dir)


pn_num = 1
rn_num = 10

for 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')

股票資料爬取

我們對http://quote.eastmoney.com/center/gridlist.html 內的股票資料進行爬取，並且把資料儲存下來

爬取程式碼

# http://quote.eastmoney.com/center/gridlist.html
import requests
from fake_useragent import UserAgent
import json
import csv
import  urllib.request as r
import threading

def getHtml(url):
    r = requests.get(url, headers={
        'User-Agent': UserAgent().random,
    })
    r.encoding = r.apparent_encoding
    return r.text


# 爬取多少
num = 20

stockUrl = '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(("程式碼","名稱"))
    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 stockList

def downloadFile(url,filepath):

    try:
        r.urlretrieve(url,filepath)
    except Exception as e:
        print(e)
    print(filepath,"is downLoaded")
    pass

sem = 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()

資料處理程式碼

有可能當時爬取的資料是髒資料，執行下面程式碼不一定能跑通，需要你自己處理資料還是其他方法

## 主要利用matplotlib進行影像繪製

import pandas as pd
import matplotlib.pyplot as plt
import csv
import 股票資料爬取 as gp

plt.rcParams['font.sans-serif'] = ['simhei'] #指定字型
plt.rcParams['axes.unicode_minus'] = False #顯示-號
plt.rcParams['figure.dpi'] = 100 #每英寸點數

files = []

def read_file(file_name):
    data = pd.read_csv(file_name,encoding='gbk')
    col_name = data.columns.values
    return data,col_name

def 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['漲跌額'].values.tolist()]
    y2 = [float(c) if c != 'None' else 0 for c in data['漲跌幅'].values.tolist()]

    y1.reverse()
    y2.reverse()

    ax1 = plt.subplot(211)
    plt.plot(range(1,len(x)+1),y1,c='r')
    plt.title('{}-漲跌額/漲跌幅'.format(file_name.split('_')[0]),fontsize = 20)
    ax1.set_xticks(xticks)
    ax1.set_xticklabels(xlabels,rotation = 40)
    plt.ylabel('漲跌額')

    ax2 = plt.subplot(212)
    plt.plot(range(1, len(x) + 1), y1, c='g')
    #plt.title('{}-漲跌額/漲跌幅'.format(file_name.splir('_')[0]), fontsize=20)
    ax2.set_xticks(xticks)
    ax2.set_xticklabels(xlabels, rotation=40)
    plt.xlabel('日期')
    plt.ylabel('漲跌額')
    plt.show()


print(len(files))
for file in files:
    get_diff(file)

總結

上文描述了三個資料爬取的案例，不同的資料爬取需要我們對不同的URL進行獲取，不同引數進行輸入，URL如何組合、如何獲取、這是資料爬取的難點，需要有一定的經驗和基礎。