龙空技术网

看综艺是为了学爬虫,最后居然搞的深度学习,这Python课也是绝了

python小白社区 603

前言:

如今朋友们对“python爬虫虫师”都比较注重,兄弟们都想要知道一些“python爬虫虫师”的相关知识。那么小编也在网摘上汇集了一些对于“python爬虫虫师””的相关文章,希望看官们能喜欢,我们快快来了解一下吧!

普通Python学习让人倦

同学们,这次我们要学习用Python来做爬虫,爬取的是深度学习的训练资料。估计这么一说,大部分同学是这样的。

少部分同学可能觉得爬虫和深度学习比较时髦,还能硬着头皮来听讲,但心里肯定直打鼓,“这肯定是从入门到放弃吧?”

好吧,这次用不一样的方法,先让大家看时尚综艺节目吧,里面有很多PLMM,至于学习嘛,先放后面。怎么样?有精神了吧。让我们开始看看综艺,解解乏。

综艺是什么?

这次有很多PLMM的节目就是,《青春有你第二季》。109位选手,通过任务、训练、考核,让选手在明星导师训练下成长,最终选出9位选手,组成偶像团体出道。可以说,PLMM多的很,让我们先看几位。

Lisa

LISA(舞蹈导师)

泰国籍女歌手

代表作品:WHISTLE、BOOMBAYAH

哦,这不是选手,是出席嘉宾。呵呵,看花眼了。马上选手就来。

选手来了,就直接截图了啊。

还有很多啊,大家千万别忘了,学习Python才是目标。这次的目标是,

本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。

所有的PLMM图片都爬取下来,这次就干这个,至于拿来干嘛?别想歪了,留个悬念,后面会有更精彩的答案。

下面介绍爬取的思路和关键点。

爬取图片思路和关键

爬虫大家平常听的比较多,很多人也把爬虫想得比较神秘。下面就先科普下Python来爬资料的原理。

首先,从大家上网开始讲起。

作为一个普通上网用户,要浏览网站,首先打开浏览器 ,输入网址,浏览器往目标站点发送请求。 浏览器接收网站响应数据,然后浏览器将内容 渲染到页面上。用户看到访问内容就完成了一个普通浏览过程。

那么模拟我们日常访问的爬虫程序是怎么执行的呢?为什么要模拟?这个问题问的好。

只有模拟了人访问的爬虫才能最大程度得到理想的数据,而不用担心被封杀。好,下面是爬虫程序执行原理。

首先爬虫程序模拟浏览器,往目标站点发送请求。爬虫程序接收网站响应数据后,从中提取有用的数据 。最后保存下来。

大家明白原理后,作为一个爬虫应该有的程序逻辑就跃然于纸上。

爬虫的过程:

1.发送请求(requests模块)2.获取响应数据(服务器返回)3.解析并提取数据(BeautifulSoup查找或者re正则)4.保存数据

爬虫过程中两个库,requests和BeautifulSoup下面就重点讲解下。

request模块:

requests是python实现的简单易用的HTTP库,官网地址:可以发送一个http get请求,返回服务器响应内容。

BeautifulSoup库:

BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。网址:支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。BeautifulSoup(markup, "html.parser")或者BeautifulSoup(markup, "lxml"),推荐使用lxml作为解析器,因为效率更高。
参赛选手爬取具体代码

是不是想跃跃欲试呢?下面看好了,爬取百度百科中《青春有你2》中所有参赛选手信息,返回HTML的代码来了!

Python代码如下:

def parse_wiki_data(table_html):    '''    从百度百科返回的html中解析得到选手信息,以当前日期作为文件名,存JSON文件,保存到work目录下    '''    bs = BeautifulSoup(str(table_html),'lxml')    all_trs = bs.find_all('tr')    error_list = ['\'','\"']    stars = []    for tr in all_trs[1:]:         all_tds = tr.find_all('td')         star = {}         #姓名         star["name"]=all_tds[0].text         #个人百度百科链接         star["link"]= '; + all_tds[0].find('a').get('href')         #籍贯         star["zone"]=all_tds[1].text         #星座         star["constellation"]=all_tds[2].text         #身高         star["height"]=all_tds[3].text         #体重         star["weight"]= all_tds[4].text         #花语,去除掉花语中的单引号或双引号         flower_word = all_tds[5].text         for c in flower_word:             if  c in error_list:                 flower_word=flower_word.replace(c,'')         star["flower_word"]=flower_word                   #公司         if not all_tds[6].find('a') is  None:             star["company"]= all_tds[6].find('a').text         else:             star["company"]= all_tds[6].text           stars.append(star)    json_data = json.loads(str(stars).replace("\'","\""))       with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:        json.dump(json_data, f, ensure_ascii=False)

上面代码爬了内容,并返回html,下面就要对爬取的页面数据进行解析,并保存为JSON文件。为什么要保存json文件呢?因为你肯定不想每次抓图都去爬全部的页面,而是先把全部页面保存下来,然后再慢慢分析每个保存的页面中的图片链接,然后再真正把图爬下来。要说明的是,PLMM的图,不要放弃哦。

def parse_wiki_data(table_html):    '''    从百度百科返回的html中解析得到选手信息,以当前日期作为文件名,存JSON文件,保存到work目录下    '''    bs = BeautifulSoup(str(table_html),'lxml')    all_trs = bs.find_all('tr')    error_list = ['\'','\"']    stars = []    for tr in all_trs[1:]:         all_tds = tr.find_all('td')         star = {}         #姓名         star["name"]=all_tds[0].text         #个人百度百科链接         star["link"]= '; + all_tds[0].find('a').get('href')         #籍贯         star["zone"]=all_tds[1].text         #星座         star["constellation"]=all_tds[2].text         #身高         star["height"]=all_tds[3].text         #体重         star["weight"]= all_tds[4].text         #花语,去除掉花语中的单引号或双引号         flower_word = all_tds[5].text         for c in flower_word:             if  c in error_list:                 flower_word=flower_word.replace(c,'')         star["flower_word"]=flower_word                   #公司         if not all_tds[6].find('a') is  None:             star["company"]= all_tds[6].find('a').text         else:             star["company"]= all_tds[6].text           stars.append(star)    json_data = json.loads(str(stars).replace("\'","\""))       with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:        json.dump(json_data, f, ensure_ascii=False)

下面来干货了,真正爬取每个选手的百度百科图片,并进行保存。

def crawl_pic_urls():    '''    爬取每个选手的百度百科图片,并保存    '''     with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:         json_array = json.loads(file.read())    headers = {         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'      }    for star in json_array:        name = star['name']        link = star['link']        pic_urls.append(link)                  down_pic(name,pic_urls)     

上面收集了每张图片链接,下面开始真正每张图下载了,伟大时刻开启。

def down_pic(name,pic_urls):    '''    根据图片链接列表pic_urls, 下载所有图片,保存在以name命名的文件夹中,    '''    path = 'work/'+'pics/'+name+'/'    if not os.path.exists(path):      os.makedirs(path)    for i, pic_url in enumerate(pic_urls):        try:            pic = requests.get(pic_url, timeout=15)            string = str(i + 1) + '.jpg'            with open(path+string, 'wb') as f:                f.write(pic.content)                print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))        except Exception as e:            print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))            print(e)            continue

打印爬取的所有图片的路径

def show_pic_path(path):    '''    遍历所爬取的每张图片,并打印所有图片的绝对路径    '''    pic_num = 0    for (dirpath,dirnames,filenames) in os.walk(path):        for filename in filenames:           pic_num += 1           print("第%d张照片:%s" % (pic_num,os.path.join(dirpath,filename)))               print("共爬取《青春有你2》选手的%d照片" % pic_num)    

写好了每个功能模块,让他们都转起来。

if __name__ == '__main__':     #爬取百度百科中《青春有你2》中参赛选手信息,返回html     html = crawl_wiki_data()     #解析html,得到选手信息,保存为json文件     parse_wiki_data(html)     #从每个选手的百度百科页面上爬取图片,并保存     crawl_pic_urls()     #打印所爬取的选手图片路径     show_pic_path('/home/aistudio/work/pics/')     print("所有信息爬取完成!")

开始转起来。真正的把100多位漂亮妹子的图从网上抓下来,是多么的壮观。让大家看看效果。

真正的把100多位漂亮妹子的图从网上抓下来,是多么的壮观

如果你的网络没问题,不多会,你就发现,选手的照片都躺到硬盘上了。开心吧,下面会讲到让你更意外的精彩。

选手的照片都躺到硬盘上了

真正的目的

有了这么多美女的照片,我们最后是要做什么呢?

最后的目的是让大家掌握人工智能领域现在最火热的深度学习。大家也知道从2015年开始,各大公司,包括阿里,头条等,用天价的薪酬来招聘深度学习工程师。对,就是接下来大家要掌握的深度学习。

大家要掌握的深度学习

下面的深度学习就会用爬下来的美女照片教会机器,不!应该说用美女照片做训练集,让机器在这个数据集上进行训练,然后就可以进行比如人像识别等很精彩的应用了。

深度学习一般过程如下:

深度学习

说了这么多,这个课程的来源可是大厂出品哦。本课来源于百度出品的《Python小白逆袭大神》,而且是免费的。

欢迎大家继续关注本公号,我将继续为大家带来更多有趣解读的深度学习课程内容。

标签: #python爬虫虫师