LUPA开源社区 › 首页 ›业界资讯› 技术文摘 › 查看内容

使用Python抓取欧洲足球联赛数据

2014-6-3 14:28| 发布者: joejoe0332| 查看: 9778| 评论: 0|原作者: naughty|来自: 开源中国社区

摘要: 背景Web Scraping在大数据时代，一切都要用数据来说话，大数据处理的过程一般需要经过以下的几个步骤数据的采集和获取数据的清洗，抽取，变形和装载数据的分析，探索和预测数据的展现其中首先要做的就是获取数据，并 ...

背景

Web Scraping

在大数据时代，一切都要用数据来说话，大数据处理的过程一般需要经过以下的几个步骤

数据的采集和获取
数据的清洗，抽取，变形和装载
数据的分析，探索和预测
数据的展现

其中首先要做的就是获取数据，并提炼出有效地数据，为下一步的分析做好准备。

数据的来源多种多样，以为我本身是足球爱好者，而世界杯就要来了，所以我就想提取欧洲联赛的数据来做一个分析。许多的网站都提供了详细的足球数据，例如：

　　这些网站都提供了详细的足球数据，然而为了进一步的分析，我们希望数据以格式化的形式存储，那么如何把这些网站提供的网页数据转换成格式化的数据呢？这就要用到Web scraping的技术了。简单地说，Web Scraping就是从网站抽取信息，通常利用程序来模拟人浏览网页的过程，发送http请求，从http响应中获得结果。

　　Web Scraping 注意事项

　　在抓取数据之前，要注意以下几点：

阅读网站有关数据的条款和约束条件，搞清楚数据的拥有权和使用限制
友好而礼貌，使用计算机发送请求的速度飞人类阅读可比，不要发送非常密集的大量请求以免造成服务器压力过大
因为网站经常会调整网页的结构，所以你之前写的Scraping代码，并不总是能够工作，可能需要经常调整
因为从网站抓取的数据可能存在不一致的情况，所以很有可能需要手工调整

　　Python Web Scraping 相关的库

　　Python提供了很便利的Web Scraping基础，有很多支持的库。这里列出一小部分

BeautifulSoup http://www.crummy.com/software/BeautifulSoup/
Scrapy http://scrapy.org/
webscraping https://code.google.com/p/webscraping/
pyquery https://pypi.python.org/pypi/pyquery

当然也不一定要用Python或者不一定要自己写代码，推荐关注import.io

　　Web Scraping 代码

　　下面，我们就一步步地用Python，从腾讯体育来抓取欧洲联赛13/14赛季的数据。

　　首先要安装Beautifulsoup

1pip install beautifulsoup4

　　我们先从球员的数据开始抓取。

　　球员数据的Web请求是http://soccerdata.sports.qq.com/playerSearch.aspx?lega=epl&pn=2 ，返回的内容如下图所示：

　　该web服务有两个参数，lega表示是哪一个联赛，pn表示的是分页的页数。

　　首先我们先做一些初始化的准备工作

1from urllib2 import urlopen
2import urlparse
3import bs4
4 
5BASE_URL = "http://soccerdata.sports.qq.com"
6PLAYER_LIST_QUERY = "/playerSearch.aspx?lega=%s&pn=%d"
7league = ['epl','seri','bund','liga','fran','scot','holl','belg']
8page_number_limit = 100
9player_fields = ['league_cn','img','name_cn','name','team','age','position_cn','nation','birth','query','id','teamid','league']

　　urlopen,urlparse,bs4是我们将要使用的Python库。

　　BASE_URL,PLAYER_LIST_QUERY,league,page_number_limit和player_fields是我们会用到的一些常量。

　　下面是抓取球员数据的具体代码：

01def get_players(baseurl):
02    html = urlopen(baseurl).read()
03    soup = bs4.BeautifulSoup(html, "lxml")
04    players = [ dd for dd in soup.select('.searchResult tr') if dd.contents[1].name != 'th']
05    result = []
06    for player in players:
07        record = []
08        link = ''
09        query = []
10        for item in player.contents:
11            if type(item) is bs4.element.Tag:
12                if not item.string and item.img:
13                    record.append(item.img['src'])
14                else :
15                    record.append(item.string and item.string.strip() or 'na')
16                try:
17                    o = urlparse.urlparse(item.a['href']).query
18                    if len(link) == 0:
19                        link = o
20                        query = dict([(k,v[0]) for k,v in urlparse.parse_qs(o).items()])
21                except:
22                    pass
23              
24        if len(record) != 10:
25            for i in range(0, 10 - len(record)):
26                record.append('na')
27        record.append(unicode(link,'utf-8'))
28        record.append(unicode(query["id"],'utf-8'))
29        record.append(unicode(query["teamid"],'utf-8'))
30        record.append(unicode(query["lega"],'utf-8'))
31        result.append(record)
32    return result
33     
34result = []
35for url in [ BASE_URL + PLAYER_LIST_QUERY % (l,n) for l in league for n in range(page_number_limit) ]:
36    result = result +  get_players(url)

　　我们来看看抓取球员数据的详细过程：

　　首先我们定义了一个get_players方法，该方法会返回某一请求页面上所有球员的数据。为了得到所有的数据，我们通过一个for循环，因为要循环各个联赛，每个联赛又有多个分页，一般情况下是需要一个双重循环的：

1for i in league:
2    for j in range(0, 100):
3        url = BASE_URL + PLAYER_LIST_QUERY % (l,n)
4        ## send request to url and do scraping

　　Python的list comprehension可以很方便的通过构造一个列表的方式来减少循环的层次。

　　另外Python还有一个很方便的语法来合并连个列表： list = list1 + list2

　　好我们再看看如何使用BeautifulSoup来抓取网页中我们需要的内容。

　　首先调用urlopen读取对应url的内容，通常是一个html，用该html构造一个beautifulsoup对象。

　　beautifulsoup对象支持很多查找功能，也支持类似css的selector。通常如果有一个DOM对象是<xx class='cc'>,我们使用以下方式来查找：

1obj = soup.find("xx","cc")

　　另外一种常见的方式就是通过CSS的selector方式，在上述代码中，我们选择class=searchResult元素里面，所有的tr元素，过滤掉th也就是表头元素。

1for dd in soup.select('.searchResult tr') if dd.contents[1].name != 'th'

　　对于每一行记录tr，生成一条球员记录，并存放在一个列表中。所以我们就循环tr的内容tr.contents,获得对应的field内容。

　　对于每一个tr的content，我们先检查其类型是不是一个Tag,对于Tag类型有几种情况，一种是包含img的情况，我们需要取出球员的头像图片的网址。

　　另一种是包含了一个链接，指向其他数据内容

　　所以在代码中要分别处理这些不同的情况。

　　对于一个Tag对象，Tag.x可以获得他的子对象，Tag['x']可以获得Tag的attribute的值。

　　所以用item.img['src']可以获得item的子元素img的src属性。

　　对已包含链接的情况，我们通过urlparse来获取查询url中的参数。这里我们利用了dict comprehension的把查询参数放入一个dict中，然后添加到列表中。

1dict([(k,v[0]) for k,v in urlparse.parse_qs(o).items()])

　　对于其它情况，我们使用Python 的and or表达式以确保当Tag的内容为空时，我们写入‘na’，该表达式类似C/C++或Java中的三元操作符 X ? A : B

　　然后有一段代码判断当前记录的长度是否大于10，不大于10则用空值填充，目的是避免一些不一致的地方。

1if len(record) != 10:
2    for i in range(0, 10 - len(record)):
3        record.append('na')

　　最后，我们把query中的一些相关的参数如球员的id，球队的id，所在的联赛代码等加入到列表。

1record.append(unicode(link,'utf-8'))
2record.append(unicode(query["id"],'utf-8'))
3record.append(unicode(query["teamid"],'utf-8'))
4record.append(unicode(query["lega"],'utf-8'))

　　最后我们把本页面所有球员的列表放入一个列表返回。

　　好了，现在我们拥有了一个包含所有球员的信息的列表，我们需要把它存下来，以进一步的处理，分析。通常，csv格式是一个常见的选择。

01import csv
02def write_csv(filename, content, header = None): 
03    file = open(filename, "wb")
04    file.write('\xEF\xBB\xBF')
05    writer = csv.writer(file, delimiter=',')
06    if header:
07        writer.writerow(header)
08    for row in content:
09        encoderow = [dd.encode('utf8') for dd in row]
10        writer.writerow(encoderow)
11 
12write_csv('players.csv',result,player_fields)

　　这里需要注意的就是关于encode的问题。因为我们使用的时utf-8的编码方式，在csv的文件头，需要写入\xEF\xBB\xBF，详见这篇文章

　　好了现在大功告成，抓取的csv如下图：

　　因为之前我们还抓取了球员本赛季的比赛详情，所以我们可以进一步的抓取所有球员每一场比赛的记录

　　抓取的代码如下

01def get_player_match(url):
02    html = urlopen(url).read()
03    soup = bs4.BeautifulSoup(html, "lxml")
04    matches = [ dd for dd in soup.select('.shtdm tr') if dd.contents[1].name != 'th']
05    records = []
06    for item in [ dd for dd in matches if len(dd.contents) > 11]: ## filter out the personal part
07        record = []
08        for match in [ dd for dd in item.contents if type(dd) is bs4.element.Tag]:
09            if match.string:
10                record.append(match.string)
11            else:
12                for d in [ dd for dd in match.contents if type(dd) is bs4.element.Tag]:
13                    query = dict([(k,v[0]) for k,v in urlparse.parse_qs(d['href']).items()])
14                    record.append('teamid' in query and query['teamid'] or query['id'])   
15                    record.append(d.string and d.string or 'na')                    
16        records.append(record)
17    return records[1:]  ##remove the first record as the header
18 
19def get_players_match(playerlist, baseurl = BASE_URL + '/player.aspx?'):
20    result = []
21    for item in playerlist:
22        url =  baseurl + item[10]
23        print url
24        result = result + get_player_match(url)
25    return result
26match_fields = ['date_cn','homeid','homename_cn','matchid','score','awayid','awayname_cn','league_cn','firstteam','playtime','goal','assist','shoot','run','corner','offside','foul','violation','yellowcard','redcard','save']    
27write_csv('m.csv',get_players_match(result),match_fields)