数据采集

彭超华

目录

  • 1 课程学习导引（两课设计）
    • 1.1 教学大纲
    • 1.2 教学日历
    • 1.3 教案
    • 1.4 课程反思
    • 1.5 课堂反思
      • 1.5.1 第1次课（第1周）
      • 1.5.2 第2次课（第2周）
      • 1.5.3 第3次课（第3周）
      • 1.5.4 第4次课（第4周）
      • 1.5.5 第5次课（第5周）
      • 1.5.6 第6次课（第6周）
      • 1.5.7 第7次课（第7周）
      • 1.5.8 第8次课（第9周）
      • 1.5.9 第9次课（第10周）
      • 1.5.10 第10次课（第11周
      • 1.5.11 第11次课（第13周）
      • 1.5.12 第12次课（第14周）
      • 1.5.13 第13次课（第15周）
      • 1.5.14 第14次课（第16周）
      • 1.5.15 第15次课（第17周）
      • 1.5.16 第16次课（第17周）
    • 1.6 课程参考资料及链接
    • 1.7 课程考核方式
    • 1.8 课前软件安装（重要）
  • 2 数据采集概述（2学时）
    • 2.1 本讲数据采集的相关网站
    • 2.2 本讲教案
    • 2.3 数据采集方法及工具
    • 2.4 八爪鱼采集器的初步体验
    • 2.5 【综合案例】利用模板采集，采集搜房网新房数据信息
    • 2.6 本讲课件
  • 3 八爪鱼采集器应用（6学时）
    • 3.1 八爪鱼采集器的基本应用：自定义采集(2学时)
      • 3.1.1 本讲数据采集的相关网站
      • 3.1.2 单页数据采集
      • 3.1.3 多页数据采集（循环翻页）
      • 3.1.4 【综合案例】爬取某静态网站电影信息
    • 3.2 八爪鱼采集器的高级应用（4学时）
      • 3.2.1 登录采集
      • 3.2.2 循环采集
      • 3.2.3 ajax加载及滚动采集
      • 3.2.4 xpath元素定位
      • 3.2.5 采集错误排查
      • 3.2.6 【综合案例】爬取某静态网站电影信息
      • 3.2.7 本讲数据采集的相关网站地址
    • 3.3 本讲课件
  • 4 python网络爬虫基础（4学时）低阶
    • 4.1 课前任务：安装Vscode
    • 4.2 python面向对象程序设计【自学】
      • 4.2.1 类与对象
      • 4.2.2 类的继承
      • 4.2.3 类的多态
    • 4.3 认识python爬虫
    • 4.4 Web网页基础：HTML（2学时）
    • 4.5 HTTP基本原理（2学时）
    • 4.6 本讲课件
  • 5 静态网页数据爬取（10学时）中高阶
    • 5.1 课前任务：安装pycharm
    • 5.2 爬虫的基本原理
    • 5.3 网页数据的获取：requests库的使用
      • 5.3.1 课件：利用requests库获取网页源码
    • 5.4 网页数据的解析
      • 5.4.1 Xpath语法及lxml库的使用
        • 5.4.1.1 课件：利用lxml库(xpath)解析文本
      • 5.4.2 CSS选择器及BeautifulSoup库、parsel库的使用
        • 5.4.2.1 视频学习：利用BS4库解析网页内容
        • 5.4.2.2 课件：利用bs库解析网页内容
        • 5.4.2.3 课件：利用parsel库(css)解析网页
      • 5.4.3 正则表达式及re库的使用
        • 5.4.3.1 课件：利用正则表达式(re库)解析网页内容
    • 5.5 数据的存储
    • 5.6 【综合案例】爬取某静态网站电影信息
  • 6 动态网页数据爬取（10学时）中高阶
    • 6.1 Ajax动态网页
    • 6.2 使用reqeuests库爬取动态网页
      • 6.2.1 【综合案例】爬取百度图片
      • 6.2.2 【综合案例】爬取某动态网站图书信息
      • 6.2.3 课件：基于requests及ajax分析爬取动态网页
    • 6.3 模拟登录
      • 6.3.1 使用表单登录方法模拟登录
      • 6.3.2 基于Cookie的登录
      • 6.3.3 【综合案例】爬取某网站登录后电影信息
      • 6.3.4 课件：模拟登录及常见反爬机制
    • 6.4 使用Selenium库爬取动态页面
      • 6.4.1 Selenium和WebDriver的安装和配置
      • 6.4.2 Selenium的基本使用
      • 6.4.3 Selenium案例应用
      • 6.4.4 课件：使用Selenium库爬虫动态页面
      • 6.4.5 【综合案例】Selenium爬取某网站电影信息
  • 7 课程总结及课程设计
    • 7.1 课程总结
    • 7.2 课程设计
课前软件安装（重要）

本课程必备软件资源：

一、八爪鱼采集器

下载地址：

https://www.bazhuayu.com/download




二、 python解释器（已有的无需重复安装）

下载地址：

https://www.python.org/downloads/ 



三、安装PyCharm Community Edition 版本

下载地址：

https://www.jetbrains.com.cn/pycharm/download


 安装步骤：       


如何用pycharm新建工程？

1，打开cmd命令提示符窗口，运行where python

找到python解释器所在位置。

提示：如果安装有anaconda3，则选择anaconda3下面的解释器。没有安装，则随机选择一个python3.7以上的python解释器即可。记住这个路径。




2，打开pycharm，新建工程。

选择：使用已配置好的解释器，选择：add interpreter，添加解释器。


3，add python Interpreter窗口，选择system interpreter，单击右侧省略号         


4，根据第一步查找到的路径，找到python解释器。按OK添加。按OK确认。按按create。创建新工程成功。




四、安装本课程必要的第三方库及插件（重要，务必提前配置安装）

1、安装第三方库

以安装requests库为例（其他库类似安装），打开pycharm，在terminal终端运行（或者在cmd终端/anaconda prompt终端运行）：

pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple/  


需要安装的第三方库有：

（1）requests

（2）lxml

（3）beautifulsoup4

（4）parsel

（5）selenium    


2、检验环境是否配置成功：

在当前工程文件夹下面，新建test.py文件，执行以下代码。若能成功运行，说明环境配置成功。

（1）单击工程文件夹，右键，选择：新建—Python File—test.py文件


（2）在test.py文件中输入以下测试代码：

import requests

import lxml

import bs4

import parsel

import selenium

print("hello world")


（3）在代码区单击右键(或者单击运行按钮)—Run 'test' 运行当前文件。


3、推荐安装插件：

（1）AI助手：TONGYI Lingma  

  ①  单击界面右上角“设置”图标，选择Settings...



② 选择插件“Plugins”，搜索tongyi，在搜索结果中选择TONGYI Lingma，单击install安装 




(2) 翻译插件：Translation



(3)汉化插件  Chinese (Simplified) Language Pack  (可选)



五、下载google浏览器及浏览器驱动（参考6.4.1小节）（不用安装）

google浏览器下载地址：

https://www.google.cn/intl/en_uk/chrome/    



下载驱动：

https://chromedriver.chromium.org/downloads  


驱动下载参考博文：

下载chromedriver

六、安装截图软件：snipaste（可选）

移步资料模块下载使用

七、安装vscode

下载地址：

https://code.visualstudio.com/