python做大数据分析入门,python大数据开发教程

这篇文章主要介绍了python做大数据需要学哪方面?，具有一定借鉴价值，需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获，下面让小编带着大家一起了解一下。

前言

本文的主要技术是采用Python的Scrapy框架爬取网站的待租房数据，然后使用Mysq的对数据继续简单处理然后存储，再Flask和Highcharts对数据进行可视化展示，逻辑很简单，只能算是对这几天的学习做一个简单的总结和实战练习，
注：本次采集已适当控制采集频率，并且采集的数据仅用于学习使用

一、数据采集

1.1目标网站选取

先选择目标网站，这次我采集的是链家网的数据，特别提醒：在使用scrapy爬取数据时，一定要注意爬取频率，以免影响网站的正常用户

1.2 创建爬虫项目

目标网站选取好了之后，我们创建一个爬虫项目，首先需要安装scrapy的库，安装教程；
Scrapy爬虫的安装教程

使用命令scrapy startproject myfrist（your_project_name创建项目
创建完了之后大概是这样子的

解释一下，后面我会专门出一个scrapy的简单笔记，是笔记哈

名称	作用
scrapy.cfg	项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py	设置数据存储模板，用于结构化数据，如：Django的Model
pipelines	数据处理行为，如：一般结构化的数据持久化
settings.py	配置文件，如：递归的层数、并发数，延迟下载等
spiders	爬虫目录，如：创建文件，编写爬虫规则
下一步创建爬虫 ，使用命令：scrapy genspider 爬虫名 爬虫的地址
使用这个命令之后，spiders目录下就会出现一个爬虫文件
到这里我们的项目就创建完了，下一步就编写数据持久化模型，

1.3 数据持久化模型

就是items.py文件

class LianjiaItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    url = scrapy.Field()
    addres1 = scrapy.Field()
    addres2 = scrapy.Field()
    area = scrapy.Field()
    cx = scrapy.Field()
    rz = scrapy.Field()
    zq = scrapy.Field()
    kf = scrapy.Field()
    zj=scrapy.Field()

模型编写完成之后，下面就是创建爬虫了

1.3 编写爬虫

需要注意：下面的代码，由于一些原因，我修改了一些xpath语句，所以直接复制使用是无法运行的，但是逻辑是绝对正确，不影响学习，如果各位看官确实需要能直接运行的代码，可私信我

class ZfSpider(scrapy.Spider):
    name = 'zf'
    allowed_domains = ['bj.lianjia.com']
    start_urls = ['https://bj.lianjia.com/zufang/']


    def parse(self, response):
        #构造分页Url
        url1='https://bj.lianjia.com/zufang/pg'
        url2='/#contentList'
        for i in range(1,100):
            url=url1+str(i)+url2
            #丢到下一层去
            yield scrapy.Request(url=url,callback=self.one_data_list,meta={})


    def one_data_list(self,response):
        data_list = response.xpath('//*[@id="content"]/div[1]/div[1]/div')
        for i in data_list:
            url='https://bj.lianjia.com'+i.xpath('./div/p[1]/a/@href').get()
            name=i.xpath('./div/p[1]/a/text()').get()
            addres1=i.xpath('./div/p[1]/a/text()').get()
            addres2=i.xpath('./div/p[1]/a[3]/text()').get()

            meta={
                'url':url,
                'name':name,
                'addres1':addres1,
                'addres2':addres2
            }
            yield scrapy.Request(url=url,callback=self.data_donw,meta=meta)

    def data_donw(self,response):
        lianjIetm=LianjiaItem()
        lianjIetm['url']=response.meta['url']
        lianjIetm['name']=response.meta['name']
        lianjIetm['addres1']=response.meta['addres1']
        lianjIetm['addres2'] = response.meta['addres2']
        #取出数据
        lianjIetm['area']=response.xpath('//*[@id="info"]/ul[1]/li[1]/text()').get()
        lianjIetm['cx']=response.xpath('//*[@id="info"]/ul[1]/li[3]/text()').get()
        lianjIetm['rz']=response.xpath('//*[@id="info"]/ul[1]/li[4]/text()').get()
        lianjIetm['zq']=response.xpath('//*[@id="info"]/ul[2]/li[2]/text()').get()
        lianjIetm['kf']=response.xpath('//*[@id="info"]/ul[2]/li[5]/text()').get()
        lianjIetm['zj'] = response.xpath('//*[@id="aside"]/div[0]/span/text()').get()

        #推到下载器去
        yield lianjIetm

到这里我们爬虫就编写完了来试试效果
启动爬虫命令： scrapy crawl 爬虫名

没有问题，下面编写管道，项目管道用人话解释 就是用于将数据持久化存储的，我们要将数据存储到mysql数据库中去，当然在这之前，需要先去mysql里面创建好数据库和表结构，就跟我们的模型类一致火车采集器伪原创。

1.4编写项目管道

也就是pipelines.py文件。

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
import pymysql
from itemadapter import ItemAdapter


class LianjiaPipeline:
    '''保存数据'''

    def open_spider(self, spider):
        self.db = pymysql.connect(host='192.168.172.131', port=3306, user='root', password='12346', charset='utf8',
                                  database='lj')
        self.cur = self.db.cursor()


    def process_item(self, item, spider):
        print(item)
        sql="insert into data values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)"
        self.cur.execute(sql,[item['name'],item['url'],item['addres1'],item['addres2'],item['area'],item['cx'],item['rz'],item['zq'],item['kf'],item['zj']])
        self.db.commit()

        return item

    def close_spider(self,spider):

        self.db.close()

这里编写完了之后，直接启动会发现数据库中没有数据，是因为还没有启用，需要去settings.py里面去配置一下，


下面启动爬虫
可以看到已经有数据了，到此数据采集就完成了，下面是数据清洗

数据清洗

我并不是一个专业学习大数据放心，只能说是混在大数据班混了一个大数据的二流竞赛，对于数据清洗呢，这里只是我自己的理解，如有错误，敬请指正。

先说说问题。
1、地址没有合并
2、面积使用数字方便排序
3、租期里面有一些缺失数据

解决方法
1、合并地址
2、处理面积数据
3、干掉缺少数据

# 合并地址
UPDATE `lj`.`data` SET `addres2` = CONCAT(`addres1`,`addres2`)

# 面积处理
UPDATE `lj`.`data` set `area`=substring(`area`,4)
UPDATE `lj`.`data` set `area`=REPLACE(`area`,'㎡',''); 

# 处理缺失值
DELETE FROM `lj`.`data` where rz='入住：暂无数据'

最终效果

最后就是数据可视化了，空了再完善，最近有点忙,顺便还在考虑是用falsk还是django