背景

缘起：近来想要调研硬件领域过去几年的发展趋势，那些领域取得了较大的进步，哪些领域处于半停滞状态（发展缓慢）？Hackaday作为硬件领域最大的开源平台和社区，致力于发布世界各个角落的精彩Hack项目。因此，我们从Hackaday官网中获取开源项目，通过记录阅读量、点赞数以及学习人数等多个方面的数据，后续结合智能算法实现发展趋势的预测。

研究目标

项目执行过程中主要存在：1.数据量大；2.网页卡顿问题。因此，为了提高项目推进的速度，我们采用爬虫程序，实现数据的提取及存储。其中，系统采用私有化部署，原生微服务架构，能够极为方便的对系统进行扩展，主要包含的功能模块有：1.数据抓取模块；2.数据存储模块；3.数据分析与数据挖掘模块（异常报警）；4.数据可视化模块。

项目执行过程中所用的工具有：1.pycharm集成开发环境；2.PostgreSQL数据库；

程序源代码

将互联网看成为一张蜘蛛网，那么网络爬虫（Web Spider）就相当于网上的蜘蛛。网络爬虫作为一种很好的数据采集手段，能按照一定规则对互联网上的数据、脚本等信息进行抓取，具体所用的代码如下图所示：

import re   #正则表达式，进行文字匹配
import urllib.request,urllib.error    #制定URL
import psycopg2
from bs4 import BeautifulSoup
from lxml import etree

#项目链接
findLink=re.compile(r'<a class="item-link" href="(.*?)"')#?表示.*出现0次到1次

#项目名称
findTiTle=re.compile(r'<a href=.*>(.*?)</a>')
#<a href="/project/187684-eptaora" title="EPTAORA">EPTAORA</a>

def main():
    baseurl = "https://hackaday.io/projects?page="

    #爬取网页
    deleteOperate();
    #init_db()

    datalist=getData(baseurl)
    print(datalist)

def getData(baseurl):#爬取网页

    datalist=[]
    id=0
    for i in range(0,8):#调用获取网页函数10次
        url=baseurl+str((i+1)*1)
        html=askURL(url)#保存获取到的网页源码

        #逐一解析
        soup= BeautifulSoup(html, "html.parser")

        for item in soup.find_all("div","project-item"):  #查找符合要求的字符串，形成列表
            data=[] #
            item=str(item)
            #print(item)

            #提取项目链接
            link=re.findall(findLink,item)[0]#re库通过正则表达式查找指定字符串的第一个符合条件的
            links='https://hackaday.io'+link
            data.append(links)


            titles=re.findall(findTiTle,item)[0]#片名
            titles1 = titles.replace("'", "")
            data.append(titles1)    #

            datalist.append(data)#把处理好的信息放入datalist
            id = id + 1

            print(data)
            saveData(data,id,peopledata)

   # print(datalist)
    return datalist

def askURL(url):#得到指定的一个网页内容
    head = {  # 用户代理，表示告诉服务器我们是什么类型的机器、浏览器（告诉浏览器我们可以接收什么水平的信息）
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 52.0.3226.121Safari / 537.36"
    }

    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

if __name__=="__main__":
    main()

学习记录

网页抓取的核心为：

1.合法、安全；2.系统稳健性：建立容错模式；3.PostgreSQL数据库操作（连接、添加数据、删除等）；

遇到的问题

1.网站内容具有特殊字符，如何存储到PostgreSQL数据库；

原文地址：https://cloud.tencent.com/developer/article/2137177

硬件发展趋势调研——数据抓取及存储

背景

研究目标

程序源代码

学习记录

网页抓取的核心为：

遇到的问题

相关推荐