网络爬虫简单来说，就是从网络中批量获取自己想要的数据。
网上爬取数据有两种方法可以实现：
- 使用官方 API
- 网络抓取
API (应用程序接口)是为了以标准的方式在不同的系统之间交换数据。但是，大多数时候，网站所有者并不提供任何 API。在这种情况下，我们只能使用 web 抓取提取数据了。
基本上，每个 web 页面都以 HTML 格式从服务器返回，这意味着我们的实际数据被很好地包装在 HTML 元素中。这使得检索特定数据的整个过程非常简单和直接。
本教程将是一个自始至终的指南，让你可以尽可能简单的使用 Python学习爬虫。首先，我将向你介绍一些基本的示例，让你熟悉 web 抓取。稍后，我们将使用这些知识从 Livescore.cz 中提取足球比赛的数据。
开始
为了让我们开始，你需要启动一个新的 Python3 项目，并安装 Scrapy (一个用于 Python 的 web 爬虫库)。我在本教程中使用了 pipenv，但是你也可以使用 pip 和 venv，或 conda。
- pipenv install scrapy # Pipenv 安装 scrap
现在，你已经有了 Scrapy，但是你仍然需要创建一个新的 web 抓取项目，为此 Scrapy 提供了一个命令行，可以为我们完成这项工作。
现在，让我们使用 scrapy clii 创建一个名为 web _ scraper 的新项目。
如果你像我一样使用 pipenv，请使用：
- pipenv run scrapy startproject web_scraper
或者在你自己的虚拟环境中，使用：
- scrapy startproject web_scraper
这将在工作目录中创建一个基本项目，其结构如下:
01. 使用 XPath
我们将从一个非常简单的例子开始我们的网络抓取教程。首先，我们将在 HTML 中定位 Live Code Stream 网站的标志。正如我们所知，它只是一个文本，而不是一个图像，所以我们将简单地提取这个文本。
代码
为了开始，我们需要为这个项目创建一个新的爬取器。我们可以通过创建一个新文件或使用 CLI 来实现这一点。
因为我们已经知道我们需要的代码，所以我们将在这个路径 /web_scraper/spiders/live _ code _ stream. py 上创建一个新的 Python 文件
下面是这个文件中的代码。
代码解释
- 首先，我们导入了 Scrapy 库，因为我们需要它的功能来创建一个Python web spider。这个爬虫随后将用于抓取指定的网站和提取有用的信息。
- 我们创建了一个类，并将其命名为LiveCodeStreamSpider。基本上，它继承了 scrapy。这就是为什么我们把它作为一个参数来传递。
- 现在，重要的一步是使用一个名为 name 的变量为你的 spider 定义一个唯一的名称。请记住，不允许使用现有 spider 的名称。同样，不能使用此名称创建新的爬行器。它必须在整个项目中是独一无二的。
- 之后，我们使用 start_urls list 传递网站 URL 。
- parse() 的方法，该方法将在 HTML 代码中定位标记并提取其文本。在 Scrapy，有两种方法可以在源代码中找到 HTML 元素。这些都在下面提到：
CSS 和 XPath
你甚至可以使用一些外部库，比如 BeautifulSoup 和 lxml。但是，对于这个例子，我们使用了 XPath。
一个快速确定任何 HTML 元素的 XPath 的方法是在 Chrome Devtools 中打开它。现在，只需右键单击该元素的 HTML 代码，将鼠标光标悬停在刚刚出现的弹出菜单中的“复制”上。最后，单击“ Copy XPath”菜单项。
请看下面的截图，以便更好地理解它。
顺便说一下，我在元素的实际 XPath 之后使用了/text () ，只从该元素中检索文本，而不是从完整的元素代码中检索。
注意：不可对上面提到的变量、列表或函数使用任何其他名称。这些名称是在 Scrapy 图书馆预先定义的。因此，你必须实事求是地使用它们。否则，程序将无法正常工作。
运行爬虫
因为我们已经在命令提示符下的 web_scraper 文件夹中了。让我们执行 spider 并使用下面的代码在新文件 lcs.json 中填充结果。我们得到的结果将使用 JSON 格式进行良好的结构化。
- pipenv run scrapy crawl lcs -o lcs.json scrapy crawl lcs -o lcs.json
结果
当执行上面的代码时，我们会在项目文件夹中看到一个新的文件 lcs.json。
下面是这个文件的内容。
- [ {"logo": "Live Code Stream"} ]
02. 使用 CSS
我们大多数人都喜欢体育运动，比如足球。
世界各地经常组织足球比赛。有几个网站在比赛进行时提供比赛结果的实时反馈。但是，大多数这些网站并没有提供任何官方的 API。
反过来，它为我们创造了一个机会，使用我们的网络抓取技能和提取有意义的信息，直接抓取他们的网站。
在他们的主页上，他们很好地展示了今天（你访问网站的日期）将要进行的比赛和比赛。
我们可以检索如下信息
- 比赛名称
- 比赛时间
- A队队名
- A队进球数
- B队队名
- B队进球数
- etc. 等等
在我们的代码示例中，我们将提取今天有匹配的比赛名称。
代码
让我们在项目中创建一个新的 spider 来检索比赛名称，我将项目命名为livescore_t.py
下面是你在 livescore _ t.py 中需要输入的代码：
代码解释
- 像往常一样，导入 Scrapy
- 创建一个类，该类继承 scrapy.Spider
- 给我们的爬虫取一个独一无二的名字 LiveScoreT
- 提供 livescore.cz 的URL
最后，用 parse() 函数遍历所有匹配的包含竞赛名称的元素，并使用 yield 将其连接在一起。最后，我们会收到今天有比赛的所有比赛名称。需要注意的一点是，这次我使用了 CSS 而不是XPath。
运行
是时候看看我们的爬虫是如何行动的了。运行下面的命令让 spider 到达 Livescore.cz 网站的主页。然后，web 抓取结果将被添加到一个名为 ls _ t.json 的新文件中。
- pipenv run scrapy crawl LiveScoreT -o ls_t.json
结果
这是我们的网络爬虫在2020年11月18日从 Livescore.cz 中提取的内容。记住，输出可能每天都在变化。
03. 一个更高级的例子
在本节中，我们将不仅仅是检索锦标赛名称，而是进入下一个阶段，获取锦标赛及其比赛的完整细节。
在 /web _ scraper/web _ scraper/spider/ 中创建一个新文件，并将其命名为 livescore.py。
代码解释
此文件的代码结构与前面的示例相同。在这里，我们只是用一个新的功能更新了 parse () 方法。
基本上，我们从页面中提取了所有的 HTML <tr> </tr> 元素。然后，我们通过循环找出这是一个锦标赛或比赛。如果它是一个锦标赛，我们提取它的名字。在比赛的情况下，我们提取了它的“时间”、“状态”和“两支球队的名称和得分”
运行
在控制台键入以下命令并执行它
- pipenv run scrapy crawl LiveScore -o ls.json
结果
下面是已经检索到的一些样本:
现在有了这些数据，我们可以做任何我们想做的事情，比如用它来训练我们自己的神经网络来预测未来的游戏。
04. 总结
数据分析师经常使用网络抓取，因为它可以帮助他们收集数据来预测未来。类似地，企业使用它从网页中提取电子邮件，因为这是一种有效的方式产生领导。我们甚至可以用它来监控产品的价格。
换句话说，web 抓取有许多用例，Python完全有能力做到这一点。
那么，你还在等什么呢? 现在就试着抓取你最喜欢的网站吧。
