Python数据抓取（1） —数据处理前的准备

（一）数据抓取概要

• 为什么要学会抓取网络数据？

  • 对公司或对自己有价值的数据，80%都不在本地的数据库，它们都散落在广大的网络数据，这些数据通常都伴随着网页的形式呈现，这样的数据我们称为 非结构化数据

  • 如果我们能想出办法，把这些非结构化的数据转化为结构化的数据，在跟自己的本地数据库做匹配，做交叉分析，让它们关联起来，从而我们就能提炼出我们需要的有价值的数据。

• 如何将非结构化的数据转化为结构化的数据呢？

  • 必须通过ETL的方法（数据抽取，转化、存储）

（二）抓取的逻辑—ETL

ETL是什么？

• ETL是三个英文单词的缩写

  • E：Extract (数据抽取)
  • T：Transformation（数据转换）
  • L：Loading（数据储存）

（三）数据抓取前的准备

1.“网络爬虫”架构

• 网络爬虫概要

  • 网络爬虫不是一个新技术，自从网络时代开始，就有大量的人来撰写网络爬虫来获取资讯，比如说我们熟知的搜索引擎百度、谷歌等，它们最原始的技术就是网络爬虫技术。

  • 大数据时代，这个“古老”的技术，又被重新重视起来

• 网络爬虫构架

Created with Raphaël 2.1.0网页链接器（Web Connector）网页链接器（Web Connector）网页网页请求 Request回应 Response

2、如何理解“网络爬虫”架构

对量化投资策略进行研究，第一步就是获取我们需要的数据，在工作实践中，比较实用的数据源就是新浪财经的数据，下面我们以新浪财经为例，为大家梳理下网络爬虫的构架

• 我们用谷歌Chrome浏览器，打开新浪财经的股票博客板块http://blog.sina.com.cn/lm/stock/，这个Chrome浏览器就是网页链接器，当我们初入网址的时候，我们就会发出一个请求到新浪财经股票博客的网页上，网页收到请求以后就会把回应回传回来

• 我们在细看股票博客的页面，是花花绿绿的，除了内容和文字，还有图片和广告，当我们按下链接以后，想知道到底发生了什么事，我们可以透过Chrome的开发人员工具去观察这件事情。

3、以抓取一个网页的内容为目的，如何去观察一个网页

我们有新浪财经的股票博客信息，我们该如何把这些信息，包含标题和时间抓取出来？

（1）使用开发人员工具观察

• 开发人员工具在IE，在Chrome都有，这里jacky推荐功能更为齐全的Chrome;

• 点击所在网页的右键，选择检查，在开发人员工具下找到Network

  • 如果Network里没有内容的话，可以点击网页重新加载

• 可以把Network当作一个网络窃听器，它可以监听我们送出什么请求，等到什么回应；

（2）观察Requests的构成

• 点击Filter（漏斗型）

• 本案例中，我们一共发出了106个requests,这些requests,包含XHR，JS，CSS，等

  • XHR:就是XMLHttpRequest 对象，换句话说就是ajax功能实现所依赖的对象；

    • XML是什么？见下图

    • ajax是什么？ajax的全称是AsynchronousJavascript+XML;异步传输+js+xml;所谓异步，在这里简单地解释就是：向服务器发送请求的时候，我们不必等待结果，而是可以同时做其他的事情，等到有了结果我们可以再来处理这个事。直白地说，就是没用AJAX的网页，你点一个按钮就要刷新一下页面，尽管新页面上只有一行字和当前页面不一样，但你还是要无聊地等待页面刷新。用了AJAX之后，你点击，然后页面上的一行字就变化了，页面本身不用刷。AJAX只是一种技术，不是某种具体的东西。不同的浏览器有自己实现AJAX的组件。

• • JS:让我们跟网页互动的程序；

  • CSS:网页的“化妆品”；

  • Img:载入的图片；

  • Media:影音数据；

  • Font:文字；

  • Doc:网页资料；

  • WS:websocket；

  • Manifest:宣告；

通常来讲，文章和新闻会放在Doc下，接下来我们要抓取的链接就藏在106个链接中的某个链接;

（3）观察HTTP请求与返回内容

我们可以在Document下找到文章与新闻类的内容，为什么呢？因为只要是上述类型内容的网页，它们都有被搜索引擎搜索到的需求，对于搜索引擎来讲，对Document的内容是最好的，所以绝大部分情况下，我们只要找到Document下的第一个链接，都可以准备的把文章与新闻类的内容爬取下来；只有极少部分才会看XHR还有其他的部分；下面，jacky（数据分析部落公众号：shujudata）分享一下实际的操作;

• 依次点击Network➡️Doc➡️stock/➡️Response

• 确定我们要抓取的内容在stock/链接下，而不是在其他链接里

  • 首先快速浏览检查我们要抓取的内容在不在Response中，可以在网页的文章中比对关键词，如何网页内容巨大，可以把它们贴在txt中，使用查找比对；

• 确定网页的存取方法

  • 在Headers中，我们看到网页是用get方法做存取的

  • 什么是get方法？该如何理解get方法？

    • 我们可以把 get的方法，想象成邮寄的信，网址的信息就写在“信封”上，我们送出的http请求就像把信邮寄出去一样，当网页的链接器看到这封信，了解我们的来意以后，此时就可以把对应的回应回传回来；接下来，我们该怎样写一个程序去模拟我们的浏览器送出get请求的过程呢？这时我们就要用到python了，

以上，我们观察网页后，我们会发现对应Response下的资料数据都放在html的页面里面，html包含着网页的标签 < div >，这些标签叙述着网页的行为，我们得到的回应是html，包含它的资料数据以及它的标签，这样的资料并不是结构化的资料，我们还需要进一步处理，那么如何把非结构性的数据处理为结构化的数据呢？请参阅jacky的第二次分享，谢谢大家！