3步走方略——用Python为数据科学项目收集数据

每个数据科学项目都需要数据，因此我们使用网页爬取工具从网页中爬取数据并构建我们的数据集。

问题是，一个网页的数据可能并不齐全，无法满足我们所需，或者它可能有一些不一致性，导致我们只爬取了一部分数据。

当我从世界杯网页上爬取1930到2022的足球比赛时(https://medium.com/geekculture/web-scraping-football-matches-from-the-world-cups-1930-to-2022-with-python-d2a1d578f034)，这种情况就发生在我身上了。我只爬取了部分数据，而不是全部。在这篇文章中，我们将使用Selenium从头开始爬取剩余的足球比赛数据，以便稍后在项目中使用这些数据（https://frank-andrade.medium.com/list/python-project-fifa-world-cup-2022-prediction-85426e7c421c）。如果你想了解更多关于数据科学的相关内容，可以阅读以下这些文章：
使用Python和R的五个简单快捷的技巧——让你成为高效数据科学家
数据工程——Scala与Python的区别
【Python-数据科学】Pandas Basics速查表（2023）
如何使用Python进行运动检测？

步骤1：安装Selenium

要安装Selenium，请打开一个终端并运行以下命令。

pip install selenium

现在我们需要为我们的电脑下载正确版本的Chrome驱动。

1. 检查你的Google Chrome版本（在Chrome上点击“…”，点击“帮助”，然后点击“about Google Chrome”）
2. 在此处下载正确的Chrome驱动版本(https://chromedriver.chromium.org/downloads)（在Chrome更新后，你需要再次下载文件）
3. 解压下载的文件，并将路径复制到你要保留的Chrome驱动文件的位置。

步骤2：爬取数据

要从网页中爬取数据，首先，我们必须导入所有要使用的库。

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
import time
import pandas as pd

• Selenium：帮助我们收集数据的库
• Time：帮助我们添加自动化网页时的等待时间
• Pandas：帮助我们将爬取的数据组成数据帧

每次我们用Selenium爬取网页数据时，我们必须定义以下变量：

• 路径：你的Chrome驱动文件所在的位置
• 网页：我们要爬取的网页（我们将爬取此页面:https://en.wikipedia.org/wiki/1982_FIFA_World_Cup）
• 驱动：帮助我们爬取网页所需数据

path = # Write your path here
service = Service(executable_path=path)
driver = webdriver.Chrome(service=service)
web = 'https://en.wikipedia.org/wiki/1982_FIFA_World_Cup'

现在打开Chrome驱动并转到目标网页，我们运行以下代码。

driver.get(web)

系统将弹出一个新窗口，上面显示“Chrome is controlled by automated test software”

现在，我们必须查看我们希望爬取的元素隐藏的HTML代码。然后，我们向下滚动，直到找到足球比赛，然后右键单击并选择“Inspect”。

然后，调试工具将被打开。我们单击“select button”（左侧的光标），然后找到包含足球比赛的那一行。

选定该行后，我们将获得其HTML元素。

<tr style="font-size:90%">

现在，要使用Selenium定位该元素，我们必须创建它的XPath。下面是XPath的句法。

如果我们替换每个元素，我们会得到：

//tr[@style="font-size:90%"]

一旦创建了XPath，我们就可以使用.find_elements通过Selenium来定位这样的元素。

matches = driver.find_elements(by='xpath', value='//tr[@style="font-size:90%"]')

我们的变量matches包含网页上列出的48行/匹配项。如果我们循环浏览列表，我们可以获取所有的td元素，因为它们是我们之前创建的XPath的tr元素的子节点。

td元素包含home（主场球队）、score（比分）和away（客场球队）。我们可以通过以下XPath获得这些数据。

/td[1]:home team
/td[2]:score
/td[3]:away team

让我们循环浏览matches，并将数据存储在我命名为home,score和away的空列表中。

home = []
score = []
away = []
for match in matches:
    home.append(match.find_element(by='xpath', value='./td[1]').text)
    score.append(match.find_element(by='xpath', value='./td[2]').text)
    away.append(match.find_element(by='xpath', value='./td[3]').text)

要注意，我在源XPath/td前加入了“.”，因为现在我们使用的不是driver.find_element而是match.find_element（“.”表示我们从匹配节点开始搜索）。

除此之外，我们还添加了text属性以获取节点内的文本（例如，英国3-1法国）。

最后，我们从home、score和away列表中创建一个数据帧。我们添加一个新的year 列，等待2秒（这是可选的），然后退出driver。

dict_football = {'home': home, 'score': score, 'away': away}
df_football = pd.DataFrame(dict_football)
df_football['year'] = 1982
time.sleep(2)
driver.quit()

要导出数据帧，我们使用.to_csv.。

df_football.to_csv("fifa_worldcup_missing_data.csv", index=False)

导出的数据应如下图所示，具有48行。

目前编写的代码可以在我的GitHub上找到(https://github.com/ifrankandrade/fifa-world-cup-2022-prediction)。现在，让我们稍微调整一下代码，试着爬取更多的网页页面。

步骤3：创建一个函数来爬取多个页面

网页爬取最酷的是，一旦我们爬取了一个页面，我们就可以从同一个网页爬取多个页面（只要它们具有相同的结构）。

下面是完成这项工作的函数。

def get_misssing_data(year):
    web = f'https://en.wikipedia.org/wiki/{year}_FIFA_World_Cup'
    driver.get(web)
    matches = driver.find_elements(by='xpath', value='//tr[@style="font-size:90%"]')
    home = []
    score = []
    away = []
    for match in matches:
        home.append(match.find_element(by='xpath', value='./td[1]').text)
        score.append(match.find_element(by='xpath', value='./td[2]').text)
        away.append(match.find_element(by='xpath', value='./td[3]').text)
    dict_football = {'home': home, 'score': score, 'away': away}
    df_football = pd.DataFrame(dict_football)
    df_football['year'] = year
    time.sleep(2)
    return df_football

请注意，此函数使用year作为输入。我把这个year变量放到web的链接和df_football[‘year’]列中。其余的保持不变。

如果我们运行get_misssing_data(1982)，我们将得到与步骤2中相同的输出。

为了从多个页面中爬取数据，我们创建一个years列表，其中包含世界杯举办的所有年份。

years = [1930, 1934, 1938, 1950, 1954, 1958, 1962, 1966, 1970, 1974,
         1978, 1982, 1986, 1990, 1994, 1998, 2002, 2006, 2010, 2014,
         2018]

现在，我们将使用列表推导来删除与每年相对应的页面，并将数据保存在名为fifa的列表中。我们将所有列表与.concat放在一起，最后将此数据导出为CSV。

fifa = [get_misssing_data(year) for year in years]
driver.quit()
df_fifa = pd.concat(fifa, ignore_index=True)
df_fifa.to_csv("fifa_worldcup_missing_data.csv", index=False)

现在，我们的CSV文件应该有数百行，其中包含爬取的所有数据。

恭喜！现在你已经知道了如何使用Selenium构建数据集。你可以使用我们在此项目中爬取的数据集:https://frank-andrade.medium.com/list/python-project-fifa-world-cup-2022-prediction-85426e7c421c。你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Frank Andrade
翻译作者：高佑兮
美工编辑：过儿
校对审稿：Chuang
原文链接：https://medium.com/geekculture/how-to-collect-data-for-a-data-science-project-with-python-in-3-steps-40effa214aea