Python 3爬虫、数据清洗与可视化实战（第2版）

　　本书是一本通过实战教初学者学习爬取数据、清洗和组织数据进行分析和可视化的Python 读物。书中案例均经过实战检验，笔者在实践过程中深感采集数据、清洗和组织数据的重要性，作为 一名数据行业的“码农”，数据就是沃土，没有数据，我们将无田可耕。 本书共13 章，包括6 个核心主题，其一是Python 基础入门，包括环境配置、基本操作、数据类型、语句和函数；其二是Python 爬虫的构建，包括网页结构解析、爬虫流程设计、代码优化、爬虫效率优化、无线端的数据采集、容错处理、反防爬虫、表单交互和模拟页面点击；其三是Python数据库应用，包括MongoDB、MySQL 在Python 中的连接与应用；其四是数据清洗和组织，包括NumPy 数组知识，以及pandas 数据的读写、分组、变形，缺失值、异常值和重复值处理，时序数据处理和正则表达式的使用等；其五是综合应用实例，帮助读者贯穿爬虫、数据清洗与组织的过程；最后是数据可视化，包括matplotlib 和pyecharts 两个库的使用，涉及饼图、柱形图、线图、词云图等图形，帮助读者进入可视化的殿堂。 本书以实战为主，适合Python 初学者及高等院校相关专业的学生阅读，也适合Python 培训机构作为实验教材。

　　零一 原名陈海城，慕研数据分析师事务所创始人，电商数据专家，数据分析师，开发工程师；从事教育培训、数据分析和人工智能行业，专注于电商企业的数据化服务。韩要宾 CDA数据分析研究院资深讲师；5年电商从业经验，4年数据挖掘实战经验；专注于数据分析与挖掘、机器学习、深度学习，服务客户包括苏宁易购、迪卡侬、百草味、浙江师范大学等。黄园园 具有10年软件开发经验，全栈工程师，六西格玛黑带，精通Python和机器学习算法，具有丰富的分布式爬虫开发经验；曾在苏州三星电子电脑（SESC）、新加坡电信（NCS）、希捷科技（Seagate Technology）等世界知名企业研发部工作，参与过花旗银行在线支付系统、银行账单自动化审核系统等大型软件开发，曾任杭州沐垚科技有限公司CTO。

第1 章 Python 语言基础 1
1.1 安装Python 环境 1
1.1.1 Python 3.6.2 安装与配置 1
1.1.2 使用IDE 工具——PyCharm 4
1.1.3 使用IDE 工具——Anaconda 4
1.2 Python 操作入门 5
1.2.1 编写第一个Python 代码 5
1.2.2 Python 基本操作 . 8
1.2.3 变量 . 10
1.3 Python 数据类型 . 10
1.3.1 数字 . 10
1.3.2 字符串 11
1.3.3 列表 . 14
1.3.4 元组 . 15
1.3.5 集合 . 15
1.3.6 字典 . 15
1.4 Python 语句与函数 16
1.4.1 条件语句 16
1.4.2 循环语句 16
1.4.3 函数 . 17
1.5 习题 18

第2 章 数据采集的基本知识 . 25
2.1 关于爬虫的合法性 25
2.2 了解网页 . 27
2.2.1 认识网页结构 28
2.2.2 写一个简单的HTML 28
2.3 使用requests 库请求网站 . 30
2.3.1 安装requests 库 30
2.3.2 爬虫的基本原理 32
2.3.3 使用GET 方式抓取数据 . 33
2.3.4 使用POST 方式抓取数据 .. 34
2.4 使用Beautiful Soup 解析网页 37
2.5 清洗和组织数据 . 41
2.6 爬虫攻防战 42
2.7 关于什么时候存储数据 . 45
2.8 习题 45

第3 章 用API 爬取天气预报数据 . 48
3.1 注册免费API 和阅读技术文档 . 48
3.2 获取API 数据 50
3.3 存储数据到MongoDB 55
3.3.1 下载并安装MongoDB . 55
3.3.2 在PyCharm 中安装Mongo Plugin . 56
3.3.3 将数据存入MongoDB 中 59
3.4 MongoDB 数据库查询 61
3.5 习题 64

第4 章 大型爬虫案例：抓取某电商网站的商品数据 . 65
4.1 观察页面特征和解析数据. 65
4.2 工作流程分析 74
4.3 构建类目树 75
4.4 获取景点产品列表 78
4.5 代码优化 . 80
4.6 爬虫效率优化 .. 84
4.7 容错处理 . 87
4.8 习题 87

第5 章 采集手机App 数据 . 89
5.1 模拟器及抓包环境配置 . 89
5.2 App 数据抓包 .. 93
5.3 手机App 数据的采集 95
5.4 习题 96

第6 章 Scrapy 爬虫 . 98
6.1 Scrapy 简介 98
6.2 安装Scrapy 99
6.3 案例：用Scrapy 抓取股票行情 . 100
6.4 习题 . 108

第7 章 Selenium 爬虫 109
7.1 Selenium 简介 109
7.2 安装Selenium 111
7.3 Selenium 定位及操作元素 . 111
7.4 案例：用Selenium 抓取某电商网站数据 . 114
7.5 习题 . 122

第8 章 爬虫案例集锦 124
8.1 采集外卖平台数据 . 124
8.1.1 采集目标 124
8.1.2 采集代码 126
8.2 采集内容平台数据 . 127
8.2.1 采集目标 127
8.2.2 采集代码 129
8.3 采集招聘平台数据 . 130
8.3.1 采集目标 130
8.3.2 采集代码 132
8.4 采集知识付费平台数据 .. 133
8.4.1 采集目标 133
8.4.2 采集代码 136

第9 章 数据库连接和查询 137
9.1 使用PyMySQL . 137
9.1.1 连接数据库 .. 137
9.1.2 案例：某电商网站女装行业TOP100 销量数据 139
9.2 使用SQLAlchemy .. 141
9.2.1 SQLAlchemy 基本介绍 . 141
9.2.2 SQLAlchemy 基本语法 . 142
9.3 MongoDB . 144
9.3.1 MongoDB 基本语法 144
9.3.2 案例：在某电商网站搜索“连衣裙”的商品数据 145
9.4 习题 . 146

第10 章 NumPy 数组操作 148
10.1 NumPy 简介 148
10.2 一维数组 149
10.2.1 数组与列表的异同 149
10.2.2 数组的创建 150
10.3 多维数组 151
10.3.1 多维数组的高效性能 151
10.3.2 多维数组的索引与切片 152
10.3.3 多维数组的属性和方法 153
10.4 数组的运算 .. 154
10.5 习题 155

第11 章 pandas 数据清洗 158
11.1 数据读写、选择、整理和描述 . 158
11.1.1 从CSV 中读取数据 160
11.1.2 向CSV 中写入数据 161
11.1.3 数据选择 . 161
11.1.4 数据整理 . 163
11.1.5 数据描述 . 164
11.2 数据分组、分割、合并和变形 . 165
11.2.1 数据分组 . 165
11.2.2 数据分割 . 168
11.2.3 数据合并 . 169
11.2.4 数据变形 . 175
11.2.5 案例：旅游数据的分析与变形 177
11.3 缺失值、异常值和重复值处理 . 181
11.3.1 缺失值处理 181
11.3.2 检测和过滤异常值 184
11.3.3 移除重复值 187
11.3.4 案例：旅游数据值的检查与处理 . 189
11.4 时序数据处理 . 192
11.4.1 日期/时间数据转换 192
11.4.2 时序数据基础操作 193
11.4.3 案例：天气预报数据分析与处理 . 195
11.5 数据类型转换 . 199
11.6 正则表达式 201
11.6.1 元字符与限定符 . 201
11.6.2 案例：用正则表达式提取网页文本信息 . 202
11.7 习题 203

第12 章 综合应用实例 206
12.1 按性价比给用户推荐旅游产品 . 206
12.1.1 数据采集 . 207
12.1.2 数据清洗、建模 . 211
12.2 通过热力图分析为用户提供出行建议 . 213
12.2.1 某旅游网站热门景点爬虫代码 .. 217
12.2.2 提取CSV 文件中经纬度和销量信息 . 220
12.2.3 创建景点门票销量热力图HTML 文件 221

第13 章 数据可视化 . 224
13.1 应用matplotlib 画图 225
13.1.1 画出各省份平均价格、各省份平均成交量柱状图 225
13.1.2 画出各省份平均成交量折线图、柱状图、箱形图和饼图 227
13.1.3 画出价格与成交量的散点图 228
13.2 应用pyecharts 画图 228
13.2.1 Echarts 简介 228
13.2.2 pyecharts 简介 229
13.2.3 初识pyecharts，玫瑰相送 229
13.2.4 pyecharts 基本语法 230
13.2.5 基于商业分析的pyecharts 图表绘制 . 232
13.2.6 使用pyecharts 绘制其他图表 . 242
13.2.7 pyecharts 和Jupyter 245
13.3 习题 246