第一部分主要简单介绍三个问题（觉得无聊的直接调至第二部分）： 1、什么是大数据？ 2、什么是数据挖掘？ 3、大数据和数据挖掘的区别？ 由于前面几节课老师普及了大数据等一些基础知识，这里我并没有详细介绍，只是给几张图片，让大家简单了解下大数据和数据挖掘相关的基础概念，我分享更多的是实战以及编程。 <一>.大数据（Big Data） 大数据（big data）指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。 下图是大数据经典的4V特征。
IBM大数据库框架及可视化技术，大数据常用：Hadoop、Spark，现在更多的是实时数据分析，包括淘宝、京东、附近美食等。 下图是大数据的一些应用。说到大数据，就不得不提Hadoop，而说到Hadoop，又不得不提Map-Reduce。
MapReduce是一个软件框架由上千个商用机器组成的大集群上，并以一种可靠的，具有容错能力的方式并行地处理上TB级别的海量数据集。MapReduce的思想是“分而治之”。Mapper负责“分，Reducer负责对map阶段的结果进行汇总。 <二>.数据挖掘（Data Mining） 数据挖掘（Data Mining）：数据库、机器学习、人工智能、统计学的交叉学科。 数据挖掘需要发现有价值的知识，同时最顶端都是具有智慧的去发现知识及有价值的信息。 因为这门课程主要是针对网页数据进行的大数据分析，需要Web Mining分类如下： Web挖掘主要分为三类：Web日志挖掘、Web内容挖掘、Web结构挖掘。 <三>.机器学习 讲到机器学习和数据挖掘相关的知识，我通常都会补充两幅图片，感觉真的很棒。很想象的表示了计算机智能化与人类传统知识的类比。 推荐文章：机器学习：“一文读懂机器学习，大数据/自然语言处理/算法全有了”<一>.安装Python 在开始使用Python编程之前，需要介绍Python的安装过程。python解释器在Linux中可以内置使用安装，windows中需要去http://www.python.org官网downloads页面下载。具体步骤如下： 第一步：打开Web浏览器并访问http://www.python.org官网；
第二步：在官网首页点击Download链接，进入下载界面，选择Python软件的版本，作者选择下载python 2.7.8，点击“Download”链接。 Python下载地址： 第三步：选择文件下载地址，并下载文件。 第四步：双击下载的“python-2.7.8.msi”软件，并对软件进行安装。 第五步：在Python安装向导中选择默认设置，点击“Next”，选择安装路径，这里设置为默认的安装路径“C:\Python27”，点击“Next”按钮，如图所示。 注意1：建议将Python安装在C盘下，通常路径为C:\Python27，不要存在中文路径。 在Python安装向导中选择默认设置，点击“Next”，选择安装路径，这里设置为默认的安装路径“C:\Python27”，点击“Next”按钮。 安装成功后，如下图所示： 第六步：假设安装一切正常，点击“开始”，选中“程序”，找到安装成功的Python软件，如图所示：选中上图中第三个图标，即点击“Python （command line）命令行模式”，运行程序输入如下代码： print 'hello world' 则python命令行模式的解释器会打印输出“hello world”字符串，如下图所示。
选中图中的第一个图片，点击“IDLE （Python GUI）”，即运行Python的集成开发环境（Python Integrated Development Environment，IDLE），运行结果如下图。 注意2：建议大家使用IDLE写脚本，完整的代码而不是通过命令行模式。
<二>.Python基础知识 这里简单入门介绍，主要介绍下条件语句、循环语句、函数等基础知识。 1、函数及运行 这里举个简单的例子。打开IDLE工具->点击栏"File"->New File新建文件->命名为test.py文件，在test文件里添加代码如下： def fun1(): print 'Hello world' print 'by eastmount csdn' print 'output' fun1() def fun2(val1,val2): print val1 print val2 fun2(8,15) 保存文件。并在test.py文件里点击Run->Run Module，输出结果如下图所示。 2、条件语句 包括单分支、双分支和多分支语句，if-elif-else。 (1).单分支语句 它的基本格式是： if condition: statement statement需要注意的是Ptthon中if条件语句条件无需圆括号()，条件后面需要添加冒号，它没有花括号{}而是使用TAB实现区分。其中condition条件判断通常有布尔表达式(True|False 0-假|1-真 非0即真)、关系表达式(>= <= == !=)和逻辑运算表达式(and or not)。 (2).双分支语句 它的基本格式是： if condition: statement statement else: statement statement (3).多分支语句 if多分支由if-elif-else组成，其中elif相当于else if，同时它可以使用多个if的嵌套。具体代码如下所示：
#双分支if-else count = input("please input:") print 'count=',count if count>80: print 'lager than 80' else: print 'lower than 80' print 'End if-else' #多分支if-elif-else number = input("please input:") print 'number=',number if number>=90: print 'A' elif number>=80: print 'B' elif number>=70: print 'C' elif number>=60: print 'D' else: print 'No pass' print 'End if-elif-else' #条件判断 sex = raw_input("plz input your sex:") if sex=='male' or sex=='m' or sex=='man': print 'Man' else: print 'Woman' 3、while循环语句 while循环语句的基本格式如下: while condition: statement statement else: statement statement 其中判断条件语句condition可以为布尔表达式、关系表达式和逻辑表达式，else可以省略(此处列出为与C语言等区别)。举个例子： #循环while计数1+2+..+100 i = 1 s = 0 while i <= 100: s = s+i i = i+1 else: print 'exit while' print 'sum = ',s ''' 输出结果为：exit while sum = 5050 '''4、for循环 该循环语句的基础格式为： for target in sequences: statements target表示变量名,sequences表示序列,常见类型有list(列表)、tuple(元组)、strings(字符串)和files(文件). Python的for没有体现出循环的次数，不像C语言的for(i=0;i<10;i++)中i循环计数，Python的for指每次从序列sequences里面的数据项取值放到target里，取完即结束，取多少次循环多少次。其中in为成员资格运算符，检查一个值是否在序列中。同样可以使用break和continue跳出循环。 下面是文件循环遍历的过程：
#文件循环遍历三种对比 for n in open('for.py'，'r').read(): print n， print 'End' for n in open('for.py'，'r').readlines(): print n， print 'End' for n in open('for.py'，'r').readline(): print n， print 'End' 5、课堂讲解代码 这是我课堂讲解的代码，仅供大家参考： #coding=utf-8 import os import string print '贵州财经大学大数据金融学院，大家好！' def fun1(): print 'Hello world' print 'Goodbye!' #计算和 def fun2(n, m): return n+m #输出结果 fun1() s = fun2(3,8) print 'sum = ' + str(s) print 'sum =', s #判断语句 u表示unicode字符串 if(s>10): print u'大于10' else: print u'小于等于10' #循环语句 i = 1 s = 0 while i<=100: s = s + i i = i + 1 else: print 'end while' print 'sum =', s ''' 输出结果为:sum=5050 ''' #for循环 num = [2, 4, 6, 8, 10] for x in num: print x 输出结果如下图所示：
接下来需要详解介绍爬虫相关的知识了，这里主要涉及到下面几个知识：
爬虫主要使用Python(字符串|urllib)+Selenium+PhantomJS+BeautifulSoup。 在介绍爬虫及Urllib下载网页或图片之前，先交大家如何使用pip安装第三方的库。 PIP 在介绍介绍它们之前，需要安装PIP软件。正如xifeijian大神所说：“作为Python爱好者，如果不知道easy_install或者pip中的任何一个的话，那么......”。 easy_insall的作用和perl中的cpan，ruby中的gem类似，都提供了在线一键安装模块的傻瓜方便方式，而pip是easy_install的改进版，提供更好的提示信息，删除package等功能。老版本的python中只有easy_install，没有pip。常见的具体用法如下： easy_install的用法： 1） 安装一个包 $ easy_install <package_name> $ easy_install "<package_name>==<version>" 2) 升级一个包 $ easy_install -U "<package_name>>=<version>" pip的用法 1) 安装一个包 $ pip install <package_name> $ pip install <package_name>==<version> 2) 升级一个包 (如果不提供version号，升级到最新版本） $ pip install --upgrade <package_name>>=<version> 3）删除一个包 $ pip uninstall <package_name>第一步：下载PIP软件 可以在官网http://pypi.python.org/pypi/pip#downloads下载，同时cd切换到PIP目录，在通过python setup.py install安装。而我采用的是下载pip-Win_1.7.exe进行安装，下载地址如下： 这里作者提供几种方法供大家下载： http://download.csdn.net/detail/eastmount/9598651 第二步：安装PIP软件
当提示"pip and virtualenv installed"表示安装成功，那怎么测试PIP安装成功呢？ 第三步：配置环境变量 此时在cmd中输入pip指令会提示错误“不是内部或外部命令”。 注意：两种解决方法，一种是通过cd ..去到Srcipts环境进行安装，pip install... 方法二：另一种配置Path路径。 需要添加path环境变量。PIP安装完成后，会在Python安装目录下添加python\Scripts目录，即在python安装目录的Scripts目录下，将此目录加入环境变量中即可！过程如下： 第四步：使用PIP命令 下面在CMD中使用PIP命令，“pip list outdate”列举Python安装库的版本信息。 注意：安装成功后，会在Python环境中增加Scripts文件夹，包括easy_install和pip。 PIP安装过程中可能出现各种问题，一种解决方法是去到python路径，通过python set_up.py install安装；另一种是配置Path环境比例。 课堂重点知识： 第一节课主要想让大家体会下Python网络爬虫的过程及示例。需要安装的第三方库主要包括三个： pip install httplib2 pip install urllib pip install selenium 在安装过程中，如果pip install urllib报错，是因为httplib2包含了，可直接用。 注意：如果pip安装报错ascii编码问题，需要把计算机名称从中文修改为英文名。在使用pip install urllib或pip install urllib2后，下面这段代码是下载网页。
#coding=utf-8 import os import urllib import httplib2 import webbrowser as web #爬取在线网站 url = "http://www.baidu.com/" content = urllib.urlopen(url).read() open("baidu.html","w").write(content) #浏览求打开网站 web.open_new_tab("baidu.html") 首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP、FILE、HTTPS 等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下： urlopen(url, data, timeout) 第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。 第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT。 第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。 response = urllib2.urlopen("http://www.baidu.com") print response.read() response对象有一个read方法，可以返回获取到的网页内容。 获取的网页本地保存为"baidu.html"，通过浏览器打开如下图所示： 然后是需要下载图片，这里需要学会找到图片的URL，如下图百度的LOGO，可以通过浏览器右键"审查元素"或"检查"来进行定位。 定位URL后，再通过函数urlretrieve()进行下载。 #coding=utf-8 import os import urllib import httplib2 import webbrowser as web #爬取在线网站 url = "http://www.baidu.com/" content = urllib.urlopen(url).read() open("baidu.html","w").write(content) #浏览求打开网站 web.open_new_tab("baidu.html") #下载图片 审查元素 pic_url = "https://www.baidu.com/img/bd_logo1.png" pic_name = os.path.basename(pic_url) #删除路径获取图片名字 urllib.urlretrieve(pic_url, pic_name) #本地文件 content = urllib.urlopen("first.html").read() print content #下载图片 审查元素 pic_url = "imgs/bga1.jpg" pic_name = os.path.basename(pic_url) #删除路径获取图片名字 urllib.urlretrieve(pic_url, pic_name) 重点知识： urllib.urlopen(url[, data[, proxies]]) :创建一个表示远程url的类文件对象，然后像本地文件一样操作这个类文件对象来获取远程数据。 urlretrieve方法直接将远程数据下载到本地。 如果需要显示进度条，则使用下面这段代码： import urllib def callbackfunc(blocknum, blocksize, totalsize): '''回调函数 @blocknum: 已经下载的数据块 @blocksize: 数据块的大小 @totalsize: 远程文件的大小 ''' percent = 100.0 * blocknum * blocksize / totalsize if percent > 100: percent = 100 print "%.2f%%"% percent url = 'http://www.sina.com.cn' local = 'd:\\sina.html' urllib.urlretrieve(url, local, callbackfunc)HTML DOM是HTML Document Object Model（文档对象模型）的缩写，HTML DOM则是专门适用于HTML/XHTML的文档对象模型。熟悉软件开发的人员可以将HTML DOM理解为网页的API。它将网页中的各个元素都看作一个个对象，从而使网页中的元素也可以被计算机语言获取或者编辑。
DOM是以层次结构组织的节点或信息片断的集合。这个层次结构允许开发人员在树中导航寻找特定信息。分析该结构通常需要加载整个文档和构造层次结构，然后才能做任何工作。由于它是基于信息层次的，因而 DOM 被认为是基于树或基于对象的。 HTML DOM 定义了访问和操作HTML文档的标准方法。 HTML DOM 把 HTML 文档呈现为带有元素、属性和文本的树结构（节点树）。它们都是一个节点（Node），就像公司的组织结构图一样。 我们现在从另一个角度来审视源代码，first.html的源码如下： <html> <head> <title>Python挖掘开发</title> </head> <body> 欢迎大家学习《基于Python的Web大数据爬取实战指南》! <br> </body> </html> 这个例子的第一个元素就是<html>元素，在这个元素的起始标签和终止标签之间，又有几个标签分别起始和闭合，包括<head>、<title>和<body>。<head>和<body>标签是直接被<html>元素包含的，而<title>标签则包含在<head>标签内。要描述一个HTML网页的这种多层结构，用树来进行类比是最好的方式。树形结构如下图所示： 重点： 在网络爬虫中，通常需要结合浏览器来定位元素，浏览器右键通常包括两个重要的功能：查看源代码和审查或检查元素。 通过审查元素，可以定位到需要爬取图片或网页的HTML源文件，通常是table或div的布局，这些HTML标签通常是成对出现的，如<html></html>、<div></div>等；同时会包括一些属性id、name、class来指定该标签。如： <div id="content" name="n1" class="cc">....</div>
Selenium用于Web应用程序测试的工具，模拟浏览器用户操作，通过Locating Elements 定位元素。安装过程如下图所示，通过pip install selenium安装。 注意：需要cd去到Scripts目录进行安装。
selenium结合浏览器定位的基本函数包括：
推荐文章，同时下节课会详细介绍。 [python爬虫] Selenium常见元素定位方法和操作的学习介绍 第一个基于Selenium爬虫的代码，通过调用Firefox浏览器： #coding=utf-8 import os import urllib from selenium import webdriver from selenium.webdriver.common.keys import Keys #Open PhantomJS #driver = webdriver.PhantomJS(executable_path="phantomjs-1.9.1-windows\phantomjs.exe") driver = webdriver.Firefox() #访问url driver.get("https://www.baidu.com/") print u'URL:' print driver.current_url #当前链接: https://www.baidu.com/ print u'标题:' print driver.title #标题: 百度一下， 你就知道 #print driver.page_source #源代码 #定位元素，注意u1（数字1）和ul（字母L）区别 print u'\n\n定位元素id:' info1 = driver.find_element_by_id("u1").text print info1 #定位元素 print u'\n\n定位元素xpath:' info3 = driver.find_element_by_xpath("//div[@id='u1']/a") print info3.text 输出如下图所示： 希望这篇文章对你有所帮助，主要是介绍基本的安装过程及体会下Python爬虫知识，后面会陆续详细介绍相关内容。非常想上好这门课，因为是我的专业方向，另外学生们真的好棒，好认真，用手机录像、问问题、配环境等等，只要有用心的学生，我定不负你！同时，自己授课思路有些乱，还需加强，但还是挺享受的，毕竟9800，哈哈哈！ (By:Eastmount 2016-09-23 晚上10点 ) 相关资源：七夕情人节表白HTML源码(两款)