Python 网页抓取 - 数据处理

在前面的章节中，我们学习了如何通过各种 Python 模块从网页或网页抓取中提取数据。在本章中，让我们研究处理已抓取数据的各种技术。

介绍

为了处理已抓取的数据，我们必须以特定格式（例如电子表格 (CSV)、JSON）或有时将数据存储在 MySQL 等数据库中，将数据存储在本地计算机上。

CSV 和 JSON 数据处理

首先，我们将从网页抓取信息后写入 CSV 文件或电子表格。让我们首先通过一个简单的示例来理解，在该示例中，我们将首先使用BeautifulSoup模块获取信息，就像之前所做的那样，然后使用 Python CSV 模块将文本信息写入 CSV 文件。

首先，我们需要导入必要的 Python 库，如下所示 -

import requests
from bs4 import BeautifulSoup
import csv

在下面的代码行中，我们使用 requests 对 URL https://authoraditiagarwal.com/发出 GET 请求来发出 GET HTTP 请求。

r = requests.get('https://authoraditiagarwal.com/')

现在，我们需要创建一个 Soup 对象，如下所示 -

soup = BeautifulSoup(r.text, 'lxml')

现在，在下一行代码的帮助下，我们将抓取的数据写入名为 dataprocessing.csv 的 CSV 文件中。

f = csv.writer(open(' dataprocessing.csv ','w'))
f.writerow(['Title'])
f.writerow([soup.title.text])

运行此脚本后，文本信息或网页标题将保存在本地计算机上的上述 CSV 文件中。

同样，我们可以将收集到的信息保存在JSON文件中。以下是一个易于理解的 Python 脚本，用于执行相同的操作，其中我们获取与上一个 Python 脚本中相同的信息，但这次获取的信息通过使用 JSON Python 模块保存在 JSONfile.txt 中。

import requests
from bs4 import BeautifulSoup
import csv
import json
r = requests.get('https://authoraditiagarwal.com/')
soup = BeautifulSoup(r.text, 'lxml')
y = json.dumps(soup.title.text)
with open('JSONFile.txt', 'wt') as outfile:
   json.dump(y, outfile)

运行此脚本后，抓取的信息（即网页标题）将保存在本地计算机上的上述文本文件中。

使用 AWS S3 进行数据处理

有时我们可能希望将抓取的数据保存在本地存储中以供存档之用。但是，如果我们需要大规模存储和分析这些数据怎么办？答案是名为 Amazon S3 或 AWS S3（简单存储服务）的云存储服务。基本上，AWS S3 是一种对象存储，旨在从任何地方存储和检索任意数量的数据。

我们可以按照以下步骤在 AWS S3 中存储数据 -

步骤 1 - 首先我们需要一个 AWS 帐户，它将为我们提供在存储数据时在 Python 脚本中使用的密钥。它将创建一个 S3 存储桶，我们可以在其中存储数据。

步骤 2 - 接下来，我们需要安装boto3 Python 库来访问 S3 存储桶。可以借助以下命令进行安装 -

pip install boto3

步骤 3 - 接下来，我们可以使用以下 Python 脚本从网页中抓取数据并将其保存到 AWS S3 存储桶中。

首先，我们需要导入用于抓取的 Python 库，这里我们使用requests和boto3将数据保存到 S3 存储桶。

import requests
import boto3

现在我们可以从 URL 中抓取数据。

data = requests.get("Enter the URL").text

现在为了将数据存储到 S3 存储桶，我们需要创建 S3 客户端，如下所示 -

s3 = boto3.client('s3')
bucket_name = "our-content"

下一行代码将创建 S3 存储桶，如下所示 -

s3.create_bucket(Bucket = bucket_name, ACL = 'public-read')
s3.put_object(Bucket = bucket_name, Key = '', Body = data, ACL = "public-read")

现在，您可以从您的 AWS 账户中检查名为 our-content 的存储桶。

使用MySQL进行数据处理

让我们学习如何使用 MySQL 处理数据。如果你想了解MySQL，那么你可以点击链接https://www.tutorialspoint.com/mysql/。

借助以下步骤，我们可以将数据抓取并处理到 MySQL 表中 -

步骤1 - 首先，通过使用MySQL，我们需要创建一个数据库和表来保存我们抓取的数据。例如，我们使用以下查询创建表 -

CREATE TABLE Scrap_pages (id BIGINT(7) NOT NULL AUTO_INCREMENT,
title VARCHAR(200), content VARCHAR(10000),PRIMARY KEY(id));

步骤 2 - 接下来，我们需要处理 Unicode。请注意，MySQL 默认情况下不处理 Unicode。我们需要在以下命令的帮助下打开此功能，这将更改数据库、表和两列的默认字符集 -

ALTER DATABASE scrap CHARACTER SET = utf8mb4 COLLATE = utf8mb4_unicode_ci;
ALTER TABLE Scrap_pages CONVERT TO CHARACTER SET utf8mb4 COLLATE
utf8mb4_unicode_ci;
ALTER TABLE Scrap_pages CHANGE title title VARCHAR(200) CHARACTER SET utf8mb4
COLLATE utf8mb4_unicode_ci;
ALTER TABLE pages CHANGE content content VARCHAR(10000) CHARACTER SET utf8mb4
COLLATE utf8mb4_unicode_ci;

步骤 3 - 现在，将 MySQL 与 Python 集成。为此，我们需要 PyMySQL，可以通过以下命令进行安装

pip install PyMySQL

步骤 4 - 现在，我们之前创建的名为 Scrap 的数据库已准备好将从 Web 抓取后的数据保存到名为 Scrap_pages 的表中。在我们的示例中，我们将从维基百科中抓取数据并将其保存到我们的数据库中。

首先，我们需要导入所需的 Python 模块。

from urllib.request import urlopen
from bs4 import BeautifulSoup
import datetime
import random
import pymysql
import re

现在，建立一个连接，即将其与Python集成。

conn = pymysql.connect(host='127.0.0.1',user='root', passwd = None, db = 'mysql',
charset = 'utf8')
cur = conn.cursor()
cur.execute("USE scrap")
random.seed(datetime.datetime.now())
def store(title, content):
   cur.execute('INSERT INTO scrap_pages (title, content) VALUES ''("%s","%s")', (title, content))
   cur.connection.commit()

现在，连接维基百科并从中获取数据。

def getLinks(articleUrl):
   html = urlopen('http://en.wikipedia.org'+articleUrl)
   bs = BeautifulSoup(html, 'html.parser')
   title = bs.find('h1').get_text()
   content = bs.find('div', {'id':'mw-content-text'}).find('p').get_text()
   store(title, content)
   return bs.find('div', {'id':'bodyContent'}).findAll('a',href=re.compile('^(/wiki/)((?!:).)*$'))
links = getLinks('/wiki/Kevin_Bacon')
try:
   while len(links) > 0:
      newArticle = links[random.randint(0, len(links)-1)].attrs['href']
      print(newArticle)
      links = getLinks(newArticle)

最后，我们需要关闭游标和连接。

finally:
   cur.close()
   conn.close()

这将从维基百科收集的数据保存到名为 scrap_pages 的表中。如果你熟悉 MySQL 和网页抓取，那么上面的代码并不难理解。

使用 PostgreSQL 进行数据处理

PostgreSQL 由全球志愿者团队开发，是一个开源关系数据库管理系统 (RDMS)。使用PostgreSQL处理爬取数据的过程与MySQL类似。会有两个变化：首先，命令将与 MySQL 不同，其次，这里我们将使用psycopg2 Python 库来执行与 Python 的集成。

如果您不熟悉 PostgreSQL，可以在 https://www.tutorialspoint.com/postgresql/ 学习。借助以下命令，我们可以安装 psycopg2 Python 库 -

pip install psycopg2