一、基础
1.注释：#/''' '''
2.标识符：首字符是字母和下划线
3.数据类型：数、字符串、
列表【list】（元素支持修改）、abc=['my','you']
元祖【tuple】（元素不支持修改）、cde=('my','you')
集合【set】（并交差）、&|！
字典【dictionary】(键：值){key1:value1,key2:value2}
4.运算符
5.缩进 建议tab
6.补充：calc(windows自带计算器)，idle（python自带ide）
7.注意：:爬去下我文件路径//（\文件目录）需要与网页路径一致//；http（https可能不行）
8.json:JSON的全称是”JavaScript Object Notation”，意思是JavaScript对象表示法，
它是一种基于文本，独立于语言的轻量级数据交换格式。XML也是一种数据交换格式，因为XML虽然可以作为跨平台的数据交换格式，
但是在JS(JavaScript的简写)中处理XML非常不方便，同时XML标记比数据多，增加了交换产生的流量，而JSON没有附加的任何标记，
在JS中可作为对象处理，所以我们更倾向于选择JSON来交换数据.
二.控制流
1.if
2.while
3.for
4.中断break/continue
三、语法结构
1.作用域：局部/全局 global i（将i声明为全局）
2.函数：def a（）：
3.模块：import/from... import...
4.文件：fp=open（'f1','r'）fp.close()
5.异常处理：try：
except Exception as er:
print(er)
四、爬虫基础
1.定义：定向采集和不定向采集。
2.正则表达式/xpath表达式：
（1）原子：
1.普通字符 2.非打印字符eg：\n
3.通用字符匹配 \w (匹配任意字母数字下划线)\W（!\w） \s (匹配空白字符)
4.原子表[] 定义一组平等的原子eg:[dsh]或d或s或h，只能是一位
（2）元字符
1. .可以匹配任意字符
2. ^匹配字符串开始的位置 ； $匹配字符串结束的位置
3. *匹配0、1、多次前面的原子； ？匹配0或1 ；+ 匹配1或多次
4. t｛n｝前面的原子t出现n次； t｛n，m｝前面的原子t出现n--m次
5. | 或者 ； （）提取
（3）模式修正符
1. I 忽略大小写 ；M多行匹配 ；L
U 据unicode解析字符 ；S 点也能匹配换行符
（4）贪婪模式p.*y和懒惰模式p.*?y
（5）函数
1.re.match()--从头开始，头不匹配则错
2.re.search()--只能出现一个结果
3.re.compile(子串).findall(母串)全局匹配函数--输出多个结果
4.re.sub函数---替换
五、爬虫实战——企查查
注意:爬去下我文件路径//（\文件目录）需要与网页路径一致//；http（https可能不行）
1.urllib库
（1）urllib基础
1.urlretrieve() //将网页直接爬取下来放在本地
urlcleanup() //将1.产生的缓存清理
info() //当前网页环境的一些信息
getcode() //获取当前网页的状态码 200正常，403禁止访问
geturl() //获取当前网页网址
（2）超时设置
timeout=n
（3）自动模拟http请求
1.get 从服务器请求
2.post 请求访问服务器 （抓包技术fiddler）
（4）异常处理
1.状态码 200请求正常 40X请求失败 50X错误服务器
2.URLError（父类）：连不上服务器；远程url不存在；本地没有网络；触发子类HTTPError
HTTPError（子类）（有状态码及原因）
（5）浏览器伪装技术
通用代码：
headers=('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:56.0) Gecko/20100101 Firefox/56.0') #User agent
opener=urllib.request.build_opener()#添加对应的报头信息
opener.addheaders=[headers]
urllib.request.install_opener(opener)#设opener为全局
（6）新闻爬虫实战
图片爬虫实战
【重要】（7）代理服务器（防屏蔽）
西刺免费IP代理
六、抓包分析
1.抓包概述
通过class id定位
2.Fiddler
3.抓取HTTPS数据包（证书添加）
4.爬取腾讯视频的评论
先得到第一条评论地址，再通过last找后续的地址
u“”将unicode编码为中文
'content'为评论内容；
eval()函数就是实现list、dict、tuple与str之间的转化
str()函数把list，dict，tuple转为为字符串
5.微信爬虫
6.多线程爬多线程
（1）程序中的程序段并行执行，
（2）糗事百科爬虫 import threading
七、Scrapy框架
1.框架命令：scrapy -h查看命令 -l 查看列表 -e 查看版本 scrapy/fetch/--nolog
全局命令 （可以在项目中或者不在项目中使用）
fetch 查看爬虫爬取的过程/--nolog 不产生爬取过程的日志
runspider 不依托一个爬虫项目就可以运行一个爬虫文件
shell 启动scrapy的交互终端（不启动scrapy项目的情况下对网站进行调试）测试
startproject 创建爬虫项目
version 查看对应版本信息
settings 查看设置信息
view 下载某个网页，并用浏览器查看
项目命令 （只能在项目中使用）
bench 测试本地硬件性能（pages/min）不爬取内容，跟进链接
genspider 在项目中创建爬虫文件 -t创建/-l列表 文件类型（basic（基础型）、crawl（自动型）、csvfeed（处理csv）、xmlfeed）
格式：scrapy genspider -t baisc chuchu（文件名） baidu.com(域名)
check 测试
crawl 运行爬虫文件
list 展示当前项目下可以使用的爬虫文件
edit 直接通过编辑器打开文件（只能在linux下运行）
parse 获取指定url网址(爬虫文件)并进行处理
创建爬虫项目：scrapy startproject name;
创建爬虫文件：scrapy genspider -t crawl name yuming.com
2. Xpath 基于标签提取适合（网页）
/ 在标签下一层一层的找
text（）提取标签下的文本
@ 提取属性的内容
// 寻找当前页中所有的标签
标签[@属性=值] 定位某一个标签
eg：/html/head/title/text()
//li[@class='a']/a/@href
3. 爬虫项目
(1)首先写items.py 定义爬取的容器
content = scrapy.Field()用来存储的内容
link = scrapy.Field()用来存储链接
(2)设置pipelines.py 处理容器
print(item['content'])
(3)设置settings.py 配置pipelines.py
ITEM_PIPELINES = {
'first.pipelines.FirstPipeline': 300,
}
ROBOTSTXT_OBEY = False
(4)写爬虫个文件
def parse(self, response):
item = FirstItem()#将类实例化，将容器items导入
item['content'] = response.xpath('/html/head/title/text()').extract()
yield item #返回，可以继续执行下去，交给pipelines执行
4.爬虫方式
（1） 自动爬虫（basic） for循环
（2） 通用爬虫（crawl） 首先爬取初始网址，获得链接，依次爬取链接（类似搜索引擎）
5.爬虫实战
（1） 天善智能课程自动爬虫
（2） 自动模拟登录爬虫实战（验证码处理）
（3） 当当商城爬虫将内容写进数据库（过滤器/数据库primary key）
八：补充爬虫拓展
1.json 数据的处理(不能用xpath，用正则式分析)
（1）含义：json:JSON的全称是”JavaScript Object Notation”，意思是JavaScript对象表示法，
它是一种基于文本，独立于语言的轻量级数据交换格式。XML也是一种数据交换格式，因为XML虽然可以作为跨平台的数据交换格式，
但是在JS(JavaScript的简写)中处理XML非常不方便，同时XML标记比数据多，增加了交换产生的流量，而JSON没有附加的任何标记，
在JS中可作为对象处理，所以我们更倾向于选择JSON来交换数据。
（2）数据格式：｛'id':'4654475','status':0,'name':'wwej',,,,,｝
（3）json导包
2.分布式爬虫的构建思路
（1）用到的东西：scrapy\scrapy-redis\redis作分布式数据库(集群)
（2）环境：Linux
（3）分布式：redis
3.Linux基础
（1）
4.爬虫面试
九：数据分析
1.挖掘过程：
（1）定义目标
（2）获取数据（爬虫或者数据下载）
（3）数据探索
（4）数据预处理（数据清洗【去掉脏数据（无效、异常）】，数据集成【集中】，数据变换【规范化】，数据规约【精简】）
（5）挖掘建模【算法】（分类，聚类，关联，预测）
（6）模型评价与发布
2.模块导包：
（1）numpy-mkl(最先下载安装)：高效处理数据，数组支持，基础库（提供其他模块支持）
（2）pandas：数据挖掘、分析（数据导入）
（3）matplotlib：作图，可视化
（4）scipy（下载安装）：数值计算、矩阵运算，高级数据处理（积分，傅立叶，微分）
（5）statsmodels：统计分析
（6）Gensim：文本挖掘（相似度）
（7）sklearn：机器学习
（8）keras/tensorflow：深度学习
数据导入 csv excel mysql html 文本数据
3.数据探索
（1）数据质量分析（数据清洗）
1）缺失值处理（通过describe与len【有值与无值+有值】，通过0数据发现）
2）异常值处理(处理方式：删除，插补，不处理)
插补：均值插补，中位数插补，众数插补，固定值插补，最近数据插补，回归插补，拉格朗日插补，牛顿插值，分段插补
异常值：视为缺失值，删除，修补，不处理
（2）数据特征分析（分布，对比，周期性，相关性，常见统计量）
（3）数据集成：把不同来源的数据放在一起。（实体识别和冗余属性识别）
1）观察数据源，发现其中关系，发现同名不同意，同意不同名
2）进行数据读取和整合
3）去除重复数据
4.数据预处理
（1）数据变换（开方，平方...）
（2）数据规范化
1）离差标准化：（最小最大标准化）（将大数据转化小数据，消除量纲（单位）和变异大小影响）
x1=(x-min)/(max-min)
2）标准差标准化：（零-均值标准化）（消除单位影响和变量自身变异影响）
x1=(x-平均数)/标准差
3）小数定标规范化（消除单位影响）
x1=/10**（k）（10的倍数）
k=log10（x的绝对值的最大值）
（3）连续型数据离散化
1）等宽离散化
2）等频率离散化（相同数量的记录放在一个区间里）
3）一维聚类离散化（聚类算法）
（4）属性构造
（5）数据规约（精简数据）import sklearn.decomposition
1）属性规约：主成分分析（PCA降维算法）
2）数值规约：
5.文本挖掘 import jieba(中文分词)
（1）词典（盘古词典）
（2）文本相似度——TF-IDF模型（信息检索和数据挖掘的加权技术）
TF-IDF模型：统计方法，评估一字词对于一个文件集过词库的重要程度。
import Gensim
（3）相似度计算步骤【重要】
1）读取文档
2）对要计算的文档进行分词
3）对文档进行整理成指定格式，方便后续的计算
4）计算出词语的频率
5）【可选】对频率低的词语进行过滤
6）通过语料库（corpus从文本中提取出的语言材料）建立词典
7）加载要对比的另一个文档
8）将要对比的文档通过doc2bow转化为稀疏向量
9）对稀疏向量进行进一步处理，得到新语料库，将新语料库进行处理
10）通过models将新语料库通过TF-IDF模型进行处理，得到TF-IDF
11）通过token2id得到特征数
12）通过similarties得出稀疏矩阵相似度，从而建立索引
13）得到最终相似度结果
6.词云
（1）用到的包：jieba+wordcloud+matplotlib/pillow
（2）
7.机器学习（库sklearn/keras）
算法分类：分类（有明确类别）、聚类（无明确的类别）、关联分析、预测、时序模式和偏差分析
算法的思路：
1）明确需求并对数据进行观察
2）确定算法
3）确定步骤
4）编程实现
（1）分类算法：
1）KNN近邻算法（识别验证码，手写体识别，pillow）
1.处理数据；
2.数据向量化；
3.计算欧几里得距离；
4.根据距离进行对比分类
2）贝叶斯方法（某一类是另一类的概率）手写体识别
1.
3）回归方法：
1.线性回归
2.逻辑回归
3.岭回归
4）决策树
1.ID3(信息增益)
2.C4.5
3.CART
5）人工神经网络（课程销量预测，手写体识别）
1.原理：权重和X(xw)——激活函数f(x)——输出
激活函数：阈值函数/Relu函数/分段线性函数/非线性转移函数
2.人工神经网络模型：
BP神经网络（逆向传播）：开始，初始化，输入信号（样本学习），中间层，输出层，
输出层误差，中间层误差，调整中间层期权值和阈值，调整输出层权值和阈值，
学习完成，误差是否满足要求 满足or达到最大学习次数就结束，不满足继续学习（输入）。
RBF神经网络
FNN神经网络
LM 神经网络
6）支持向量机（SVM）
（2）聚类算法:（划分（分裂）法、层次分析法、密度分析法、网格法、模型法）
1）kmeans（划分法）:
1.随机选择k个点作为聚类中心；
2.计算各个点到这k个点的距离；
3.将对应的点聚到与它最近的聚类中心；
4.重新计算据诶中心；
5.比较当前聚类中心与前一次聚类中心，如果是同一个点，得到聚类结果，若为不同的点，则重复2-5
2）层次法
3）密度分析法
（3）关联：Apriori算法（课程关联分析，自动推荐）
1)理论：
支持度：事物A，B同时发生的概率 Support(A=>B)=P(A and B)
置信度：若A发生，B发生的概率 Confidence(A=>B)=(B|A)
2)Aprioir算法的实现
1.阈值：最小支持度，最小置信度
2.计算：支持度：Support(A=>B)=（A,B同时发生的数量）/事件总数量=Support_count(A and B)/Total_count(A)
置信度：Confidence(A=>B)=P(B|A)=support(A and B)/support(a)=support_count(A and B)/support(a)
3.筛选：
4.继续计算：
8.情感分析（微薄）：
（1）文本分析：
（2）数据抓取：接口开发，爬虫，PhantomJS
（3）PhantomJS：无界面浏览器
十、深度学习（库sklearn/keras/tensorflow）
1.原理：单层感知机——多层感知机（NLP）/人工神经网络（ANN）——深度神经网络/深度学习（DNN）
2.分类：1）监督学习：循环网络（RNN）：循环网络/双向循环网络/递归循环网络 应用：LSTM、 语音分析，文字分析，时间序列分析
卷积网络（CNN）：卷积变换，池化，处理网络状数据
普通深度神经网络（DNN）：BP算法，处理大数据
2）无监督学习：深度生成模型（DBNN深度信息网络/GAN生成式对抗网络），自编码器