【知识图谱实战学习--[3]】

all_about_fresh

已于 2022-05-25 10:32:46 修改

阅读量245

点赞数

分类专栏：学习笔记文章标签： python 知识图谱

于 2022-05-24 17:48:23 首次发布

本文链接：https://blog.csdn.net/all_about_fresh/article/details/124946429

版权

学习笔记专栏收录该内容

6 篇文章

订阅专栏

本文介绍了使用Python爬虫技术抓取汽车之家网站的汽车品牌和车系数据，并通过Neo4j图形数据库进行数据导入的过程。涉及到网络爬虫关键技术和数据结构化处理，以及Neo4j的数据导入方法。虽然在执行过程中遇到了数据获取为空的问题，但文章提供了完整的代码示例，展示了数据爬取和导入的步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

提示

1.实践开发过程概述【爬虫技术】
   ·开发环境安装部署
   ·汽车品牌数据获取
   ·汽车车系数据获取
   ·汽车数据批量导入

2.章节收益：
   ·网络爬虫
       熟悉开源网络爬虫框架的使用方法，掌握动态页面内容的爬取方法
       了解网络爬虫的关键技术
   ·数据导入
       掌握基于Neo4j图形性化操作界面，如何进行批量数据节点的创建，索引的关键、关系的创建
   ·数据资产
       207个汽车品牌数据
       1219个汽车车系数据
       31768个汽车车型数据
       以及掌握网络数据的智能钥匙

文章目录

前言

学习背景

上课没有好好听，现在跟着bilibili知识图谱实战教程知识图谱实战教程_哔哩哔哩_bilibili补习一下知识记录下；
自己的学习笔记哈~之前记的电子笔记没有找到合适的记录软件；其实自己书写文档的功力还需要磨练，在文章逻辑思路、笔记细节等等都还有欠缺，养成一下学习习惯。

一、实践教程

3.1搭建环境：

下载requset-html代码结合起来
开发环境 request-html操作

3.2汽车品牌数据获取

页面元素分析、品牌数据爬取、数据结构化处理

A：页面元素分析

网页：汽车之家【汽车报价】2022最新汽车价格_汽车报价大全_汽车之家

B：品牌数据爬取

在网页上有很多个品牌，去看后面的菜单，可以找到菜单的结构在url列表里面存储了品牌信息。在最右边这里

爬取交互页面，就可以根据代码数据的位置获得存储位置

整体代码如下：

from requests_html import HTMLSession
from requests_html import HTML
import requests
import time
import json
import random
import sys
import os
import csv

from fake_useragent import UserAgent

session = HTMLSession()
url = 'https://car.autohome.com.cn/'
#https://car.autohome.com.cn/config/series/3862.html

USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
# 品牌列表
def get_bank():
    response = session.get(url)
    response.html.render()
    banks = response.html.find('.cartree ul li h3')
    for bank in banks:
        #print(bank.text)
        #print(bank.html)
        bk = bank.text
        start = bk.find("(")
        end = bk.find(")")
        print(bk[0:start])
        print(bk[start+1:end])
    print(banks)

# 汽车品牌
def get_url():
    ##找到当前存储的路径
    current_dir = os.path.abspath('.')
    print(current_dir)
    ##打开存储的csv表格
    file_name = os.path.join(current_dir, "data\\bank2.csv")
    print(file_name)
    ##打开读写csv的管道csvfile1
    with open(file_name, 'wt', newline='')  as csvfile1:
        ##表头
        header = ['bank','count', 'url']
        writer = csv.writer(csvfile1)
        ##传入头部信息
        writer.writerow(header)
        #访问页面 访问页面元素
        response = session.get(url)
        response.html.render()
        banks = response.html.find('.cartree ul li h3 a')
        for bank in banks:
            #print(bank.text)
            #格式化
            bk = bank.text
            start = bk.find("(")
            end = bk.find(")")
            ##品牌数据
            bank1 = bk[0:start]
            ##车型数据
            Num = bk[(start+1):end]
            ##数据获取的存储路径
            url2 = url + bank.attrs.get("href", None)
            print(url2)
            save2csc(writer,bank1,Num,url2)
        #print(banks)
    csvfile1.close()
#
#写入CSV文件
def save2csc(writer,bank,num,url):
        header = ['bank','num' 'url']
        #writer.writerow(header)
        csvrow1 = []
        csvrow1.append(bank)
        csvrow1.append(num)
        csvrow1.append(url)

        writer.writerow(csvrow1)
if __name__ == '__main__':
    print("开始处理")
    get_url()
    #get_bank()
    print("处理结束")

代码跑起【撒一部分花】

但是执行结果有问题，就是并没有获取到数据

二、汽车车系数据获取

元素分析

from requests_html import HTMLSession
from requests_html import HTML
import requests
import time
import json
import random
import sys
import os
import csv

urlroot = "https://car.autohome.com.cn"
#url = 'https://car.autohome.com.cn/price/brand-33.html'

USER_AGENTS = [
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
# 品牌列表
def get_bank():
    current_dir = os.path.abspath('.')
    print(current_dir)
    file_name1 = os.path.join(current_dir, "data\\type.csv")##存储车系类型
    file_name2 = os.path.join(current_dir, "data\\bank.csv")##存储品牌信息
    #
    with open(file_name1, 'wt',newline='')  as csvfile1:
        #header = ['bank','Type','Count']
        writer = csv.writer(csvfile1)
        #writer.writerow(header)
        # 读取并获得所有URL地址，同时记录品牌名称
        with open(file_name2, 'r') as csvfile2:
            reader = csv.reader(csvfile2)
            for row in reader:
                # 随机浏览器 User-Agent
                headers = {"User-Agent": random.choice(USER_AGENTS)}
                session = HTMLSession()

                # 01:读取整行
                column1 = row[0]    # 读取第1列
                column3 = row[2]    #读取第2列
                # 逐个URL进行爬取
                response = session.get(column3, headers=headers)
                response.html.render()
                print("URL=",column3)

                banks = response.html.find('.cartree ul li dd a')##下载的时候分析的数据结构
                for bank in banks:
                    bk = bank.text
                    #逆序查找：车系
                    start = bk.rfind("(")
                    end = bk.rfind(")")
                    bank1 = bk[0:start]##品牌数据 奥迪
                    Num = bk[(start + 1):end]##品牌个数

                    url2 = urlroot + bank.attrs.get("href", None)
                    print(column1+" "+bank1 + " " +Num,url2)
                    ##去除 右边括号
                    save2csv(writer,column1, bank1.rstrip(), Num,url2)
                    csvfile1.flush()
                print(banks)
                time.sleep(1)
#写入CSV文件
def save2csv(writer,bank,type,num,url):
        #header = ['bank','num' 'url']
        #writer.writerow(header)
        csvrow1 = []
        csvrow1.append(bank)
        csvrow1.append(type)
        csvrow1.append(num)
        csvrow1.append(url)
        try:
            writer.writerow(csvrow1)
        except IOError:
            print("Error: 没有找到文件或读取文件失败")
if __name__ == '__main__':
    # get_url()
    get_bank()
    print("处理结束")

获取的数据仍然是空的【猜测可能是因为我写的爬取数据的结构不对，新的网站可能更新了布局】

三、使用neo4j 导入数据

品牌数据导入、车系数据导入、关系数据导入neo4j目录下的import 目录

   可以放对应的处理数据：
       ·品牌 csv数据两个表格放到里

启动代码：neo4j.bat console

对应网址：http://localhost:7474/
       ##品牌数据导入代码：
       LOAD CSV WITH HEADERS FROM "file://bank.csv"AS line
       CREATE(:Bank{name:line.bank,count:line.count})
会报错:file后面三个/ （window）一个/是（linux）

neo4j导入.csv文件时常见问题之Neo.ClientError.Statement.ExternalResourceFailed解决方法_Ray Mond的博客-CSDN博客

如果需要删除节点以及节点图：MATCH (n) DETACH DELETE (n)

##车型数据导入代码：
       LOAD CSV WITH HEADERS FROM "file://serise.csv"AS line
       CREATE(p:Serise{name:line.serise,count:line.count})

创建了结构后，结果还是有点问题：就是为什么是数字不是视频展示的汽车类别

【解决】step1：给bank和type表格增添表头；对应neoj4创建语句的表头

step2：修改.csv文件的编码格式：用记事本打开，另存为时选择编码方式为utf-8

       ##品牌/车系关系数据导入
       创建品牌和车型之间的关系子类型
       LOAD CSV WITH HEADERS FROM "file:///type.csv"AS line
       MATCH(entity1:Bank{name:line.bank}),(entity2:Serise{name:line.serise})
       CREATE(entity1)-[:Subtype{type:line.relation}]->(entity2)

总结

学习了数据导入和关系创建