|
爬蟲很有趣，很多同學都在學爬蟲，其實爬蟲學習有一定的成本，需要考慮靜態(tài)和動態(tài)網頁，有一堆的庫需要掌握，復雜的需要用scrapy框架，或者用selenium爬取,甚至要考慮反爬策略。如果你不經常爬數據，偶爾用用的話，有一種神器可以非?？焖俚呐廊?，分分種上手而且效果很不錯的。今天我們就來介紹一下這款神奇'WebScrapy' 安裝WebScrapy 跟其他的第三方的數據采集器相比，WebScrapy是一款Google chrome的瀏覽器的插件，安裝成本非常小.直接去WebScrapy官網下載，也可以在chrome里面的store下載.  安裝完成之后，你就可以在你的chrome瀏覽器上看到一個小的蜘蛛網的圖標  爬取Github上的Python庫 大名鼎鼎的Github上有很多好玩的庫，有幾十萬個repo.爬取的方法有很多，但是用webscrape爬取非常簡單，幾分鐘就能完成！相比之下如果寫一個代碼去爬取的就是非常熟練的老手，也需要半個小時才能完成，代碼還需要調試?？梢娚衿髡娴姆浅７奖?，成本非常的低，下面我們一步一步來講解: 1.目標網站分析 Github的網站結構非常簡單，也沒有啥反爬蟲的策略，我們在主頁搜索Python就會進入Python相關的主題頁面  里面有關于Python的Repo近60萬個，每一個都有名字，多少顆星，更新時間等等，非常工整的格式. 2.url分析 上面的類別有很多比如Repositories, Code這樣的，我們挑其中的一種點擊查看：
 了解上面的url規(guī)則之后，其他的網頁只要改改上面的參數就行了，比如第2頁， https://github.com/search?p=2&q=Python&type=Repositories&utf8=%E2%9C%93 好下面我們開始爬網頁. 3.啟動Webscrapy 網頁空白處點擊右鍵選擇檢查，會進入我們屬性網頁審查元素的那個界面，在最末尾多一個webscraper菜單，點擊Create sitemap創(chuàng)建一個sitemap  接著我們填入名字和url的地址，這里的url規(guī)則非常簡單，我們可以直接構造出100個url的網頁,名字可以隨便取我們就叫github  webscrapy會根據url的規(guī)則爬取每一頁的內容，類似一個循環(huán)。 4.爬取每一頁的內容 Github上的Python的庫都是一個一個規(guī)整的大列表，webscrapy支持很多類型的不同網頁元素的爬取，比如文本，超鏈接，圖片，Element等等，真是用心良苦啊，考慮的非常周全. 1). 增加一個selector 選擇我們的Sitemap是Github,然后開始增加一個selector  2).創(chuàng)建item 
3).在item里面選擇標題，時間，多少顆星  上面我創(chuàng)建了item，item就想是一個收納架里面有我們需要的內容，我們只需要在這個收納架上取我們需要的內容，比如標題，時間等等 4).在item下創(chuàng)建標題  過程和創(chuàng)建item的非常類似，只是Type選擇Text,然后點擊Selector從上面的橘黃色的框中選標題,然后點擊Done selecting,記得保存.(注意這里的Parents Selector 選的item),大家不要小看這個Parent Selector,會有大用場. 5).類似的我們選取庫的description,多少顆，時間元素  5.開始爬取 萬事具備，我們可以開始愉快的爬取了，只需要點擊Sitemap下面的Scrape就可以了。接著會彈出一個請求間隔時間(Request nterval ms) 2秒和頁面下載等待時間(Page load delay ms)500，我們都用默認參數就可以了 1).看運行結果 WebScrapy會從第100頁開始從后往前一頁一頁的爬取，這個時候你可以倒杯茶，慢悠悠的邊喝茶邊等待結果,爬取100頁大概需要幾分鐘的時間. 可以看到我們非常方便的獲取的Python庫的名字，多少顆星，時間和描述，是不是很簡單啊，現在還差最后一招，保存結果。 2). 保存結果 上面的結果是在內存里面的，最后我們需要保存到文件里面，webscraper已經幫我們準備好了，點擊sitemap里面的Export data as CSV,然后就會自動生成一個github.csv文件，我們下載就行了 結論 是不是非常的爽啊，你只要構造多個url就可以爬幾萬的庫,webscrapy對于爬取市面上80%的頁面都是非常方便和簡單，不用寫一行代碼，分分鐘搞定！對于數據分析的人員來說簡直就是福音啊，但是webscrapy也是有利有弊，每一種技術都有它的使用范圍.我用它有一段時間了，至少有3個缺點，歡迎大家留言跟我一起討論. |
|
|
