【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

• 找到数据包进行分析,分析重要参数
  
  

  • 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
  
  

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 requests
import os
import urllib

class 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 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.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(("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 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()

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 pd
import matplotlib.pyplot as plt
import csv
import 股票数据爬取 as gp

plt.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_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['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。