python网络爬虫_利用Python的pandas库做简单的网络爬虫(最简单易学的网络爬虫)

我知道知乎上关于网络爬虫的文章过于泛滥了.

大部分网络爬虫的思路是:

1 先将网页的源代码(html)下载下来.

2 然后从源代码中通过regexp等技术, 提取出感兴趣的内容(比如表格, 图片, 视频等).

既然知乎上网络爬虫的文章已经泛滥了, 为什么还要写这篇文章呢?

因为这篇文章将是你看过的最简单易学的(希望不要有人喷我, 说什么这个不算是网络爬虫, Whatever, 只要是能达到目的就好, 管它是什么呢?).

比如下面这个表格, 关于Project Euler各种编程语言的统计, 是按照字典序排列的, 但是, who care这个, 大部分人想看哪种语言最流行. 但是, 不知道为什么(为了避免圣战? 还是单纯懒得做这个功能?), 该网站就是不提供这样的排序功能, 非常蛋疼.

Sign In - Project Euler​projecteuler.net

只能将表格下载下来, 自己进行排序了.

如何将表格下载下来呢?

步骤1: 将这个表格用鼠标选定, 然后ctrl+C(复制)

步骤2: 使用pandas的read_clipboard下载下来.

import 

你没看错, 就只有这简单的两行代码, 就实现功能了!

接下里, 使用pandas的排序功能, 进行排序, 看看哪些语言流行.

df1 

可以看到在Project Euler里, Python的流行度竟然超过了C/C++, 这个有些出乎意料. 因为Project Euler是一个算法网站, 一般会认为C/C++最流行.

绘图, 更直观一些:

df2 

有兴趣的读者可以做一下"家庭作业":

1 后面两列因为带有%号, 实际是字符型, 这对排序造成了一定的困难, 想办法将它们转换成数值型, 然后排序.

2 对另外一个表格进行下载, 并进行排序:

Sign In - Project Euler​projecteuler.net

系列文章:

haitao：利用Python的pandas库做简单的网络爬虫2​zhuanlan.zhihu.com