SmartScraper

SmartScraper

腾讯课堂 | Python网络爬虫与文本数据分析  

SmartScraper使页面数据抓取变得容易，不再需要学习诸如pyquery、beautifulsoup等定位包，我们只需要提供的url和数据给ta学习网页定位规律即可。

一、安装

pip install smartscraper

二、快速上手

2.1 获取相似结果

例如 我们想从 豆瓣读书-小说 页面获得20本书的书名和出版信息

• P1  =0&type=T

• P2  =20&type=T

我们使用P1链接训练书名、出版信息这两个字段

from smartscraper import SmartScraper# 待训练的网页链接
url = '=0&type=T'#定义 想要的字段
wanted_dict = {"title":["活着"],"pub": ["余华 / 作家出版社 / 2012-8-1 / 20.00元"]}# 训练/在url对应的页面中寻找wanted_dict规律
scraper = SmartScraper()
results = scraper.build(url, wanted_dict=wanted_dict)
print(results)

运行代码，采集到的results如下

{'title': ['活着', '房思琪的初恋乐园', '白夜行', '索拉里斯星', '鄙视',...], 'pub': ['余华 / 作家出版社 / 2012-8-1 / 20.00元', '林奕含 / 北京联合出版公司 / 2018-2 / 45.00元', '[日] 东野圭吾 / 刘姿君 / 南海出版公司 / 2013-1-1 / CNY 39.50', '[波] 斯坦尼斯瓦夫·莱姆 / 靖振忠 / 译林出版社 / 2021-8 / 49.00元', '[意] 阿尔贝托·莫拉维亚 / 沈萼梅、刘锡荣 / 江苏凤凰文艺出版社 / 2021-7 / 62.00',...]
}

使用刚刚训练的scraper尝试从 P2链接 获取书名和出版信息

scraper.get_result_similar('=20&type=T')

2.2 保存模型

训练的smartscraper模型可以保存，后续直接调用

scraper.save('douban_Book.pkl')

模型导入代码

scraper.load('douban_Book.pkl')

近期文章

腾讯课堂 | Python网络爬虫与文本数据分析  DataShare | 6000+个股票的每日财经新闻预报名 | 结构模型、Stata实证前沿、Python数据挖掘国庆工作坊读完本文你就了解什么是文本分析文本分析在经管领域中的应用概述综述:文本分析在市场营销研究中的应用文本分析方法在《管理世界》（2021.5）中的应用
B站视频 | Python自动化办公
wordexpansion包 | 新增词向量法构建领域词典语法最简单的微博通用爬虫weibo_crawler
hiResearch 定义自己的科研首页大邓github汇总， 觉得有用记得star
whatlies包 | 简单玩转词向量可视化multistop ~ 多语言停用词库
Jaal 库 轻松绘制动态社交网络关系图
SciencePlots | 科研样式绘图库
使用streamlit上线中文文本分析网站
爬虫实战 | 采集&可视化知乎问题的回答
plydata库 | 数据操作管道操作符>>
plotnine: Python版的ggplot2作图库
Wow~70G上市公司定期报告数据集漂亮~pandas可以无缝衔接Bokeh  
YelpDaset: 酒店管理类数据集10+G