使用Python抓取欧洲足球联赛数据进行大数据分析-经管之家官网！

经济学管理学金融学统计学

您当前的位置> 软件培训>>

使用Python抓取欧洲足球联赛数据进行大数据分析

人大经济论坛-经管之家：分享大学、考研、论文、会计、留学、数据、经济学、金融学、管理学、统计学、博弈论、统计年鉴、行业分析包括等相关资源。
经管之家是国内活跃的在线教育咨询平台!

提供"微信号、微博、抖音、快手、头条、小红书、百家号、企鹅号、UC号、一点资讯"等虚拟账号交易，真正实现买卖双方的共赢。【请点击这里访问】

TOP热门关键词

专题页面精选

背景WebScraping在大数据时代，一切都要用数据来说话，大数据处理的过程一般需要经过以下的几个步骤数据的采集和获取数据的清洗，抽取，变形和装载数据的分析，探索和预测数据的展现其中首先要做的就是获取数据，并提 ...

扫码加入数据分析学习群

背景Web Scraping

在大数据时代，一切都要用数据来说话，大数据处理的过程一般需要经过以下的几个步骤

数据的采集和获取
数据的清洗，抽取，变形和装载
数据的分析，探索和预测
数据的展现

其中首先要做的就是获取数据，并提炼出有效地数据，为下一步的分析做好准备。

数据的来源多种多样，以为我本身是足球爱好者，而世界杯就要来了，所以我就想提取欧洲联赛的数据来做一个分析。许多的网站都提供了详细的足球数据，例如：

网易 http://goal.sports.163.com/
腾讯体育 http://soccerdata.sports.qq.com/
虎扑体育 http://soccer.hupu.com/
http://www.football-data.co.uk/

这些网站都提供了详细的足球数据，然而为了进一步的分析，我们希望数据以格式化的形式存储，那么如何把这些网站提供的网页数据转换成格式化的数据呢？这就要用到Web scraping的技术了。简单地说，Web Scraping就是从网站抽取信息，通常利用程序来模拟人浏览网页的过程，发送http请求，从http响应中获得结果。

Web Scraping 注意事项

在抓取数据之前，要注意以下几点：

阅读网站有关数据的条款和约束条件，搞清楚数据的拥有权和使用限制
友好而礼貌，使用计算机发送请求的速度飞人类阅读可比，不要发送非常密集的大量请求以免造成服务器压力过大
因为网站经常会调整网页的结构，所以你之前写的Scraping代码，并不总是能够工作，可能需要经常调整
因为从网站抓取的数据可能存在不一致的情况，所以很有可能需要手工调整

Python Web Scraping 相关的库

Python提供了很便利的Web Scraping基础，有很多支持的库。这里列出一小部分

BeautifulSoup http://www.crummy.com/software/BeautifulSoup/
Scrapy http://scrapy.org/
webscraping https://code.google.com/p/webscraping/
pyquery https://pypi.python.org/pypi/pyquery

当然也不一定要用Python或者不一定要自己写代码，推荐关注import.io

Web Scraping 代码

下面，我们就一步步地用Python，从腾讯体育来抓取欧洲联赛13/14赛季的数据。

首先要安装Beautifulsoup

[size=1em][size=1em]

1	pip install beautifulsoup4

我们先从球员的数据开始抓取。

球员数据的Web请求是http://soccerdata.sports.qq.com/playerSearch.aspx?lega=epl&pn=2 ，返回的内容如下图所示：

http://static.open-open.com/lib/uploadImg/20140531/20140531103332_955.png

该web服务有两个参数，lega表示是哪一个联赛，pn表示的是分页的页数。

首先我们先做一些初始化的准备工作

[size=1em][size=1em]

1	from urllib2 import urlopen

[size=1em]

2	import urlparse

[size=1em]

3	import bs4

[size=1em]

5	BASE_URL = "http://soccerdata.sports.qq.com"

[size=1em]

6	PLAYER_LIST_QUERY = "/playerSearch.aspx?lega=%s&pn=%d"

[size=1em]

7	league = ['epl','seri','bund','liga','fran','scot','holl','belg']

[size=1em]

8	page_number_limit = 100

[size=1em]

9	player_fields = ['league_cn','img','name_cn','name','team','age','position_cn','nation','birth','query','id','teamid','league']

urlopen,urlparse,bs4是我们将要使用的Python库。

BASE_URL,PLAYER_LIST_QUERY,league,page_number_limit和player_fields是我们会用到的一些常量。

下面是抓取球员数据的具体代码：

[size=1em][size=1em]

01	def get_players(baseurl):

[size=1em]

02	html = urlopen(baseurl).read()

[size=1em]

03	soup = bs4.BeautifulSoup(html, "lxml")

[size=1em]

04	players = [ dd for dd in soup.select('.searchResult tr') if dd.contents[1].name != 'th']

[size=1em]

05	result = []

[size=1em]

06	for player in players:

[size=1em]

07	record = []

[size=1em]

link = ''

[size=1em]

09	query = []

[size=1em]

10	for item in player.contents:

[size=1em]

11	if type(item) is bs4.element.Tag:

[size=1em]

12	if not item.string and item.img:

[size=1em]

13	record.append(item.img['src'])

[size=1em]

else :

[size=1em]

15	record.append(item.string and item.string.strip() or 'na')

[size=1em]

try:

[size=1em]

17	o = urlparse.urlparse(item.a['href']).query

[size=1em]

18	if len(link) == 0:

[size=1em]

link = o

[size=1em]

20	query = dict([(k,v[0]) for k,v in urlparse.parse_qs(o).items()])

[size=1em]

except:

[size=1em]

pass

[size=1em]

24	if len(record) != 10:

[size=1em]

25	for i in range(0, 10 - len(record)):

[size=1em]

26	record.append('na')

[size=1em]

27	record.append(unicode(link,'utf-8'))

[size=1em]

28	record.append(unicode(query["id"],'utf-8'))

[size=1em]

29	record.append(unicode(query["teamid"],'utf-8'))

[size=1em]

30	record.append(unicode(query["lega"],'utf-8'))

[size=1em]

31	result.append(record)

[size=1em]

32	return result

[size=1em]

34	result = []

[size=1em]

35	for url in [ BASE_URL + PLAYER_LIST_QUERY % (l,n) for l in league for n in range(page_number_limit) ]:

[size=1em]

36	result = result +get_players(url)

我们来看看抓取球员数据的详细过程：

首先我们定义了一个get_players方法，该方法会返回某一请求页面上所有球员的数据。为了得到所有的数据，我们通过一个for循环，因为要循环各个联赛，每个联赛又有多个分页，一般情况下是需要一个双重循环的：

[size=1em][size=1em]

1	for i in league:

[size=1em]

2	for j in range(0, 100):

[size=1em]

3	url = BASE_URL + PLAYER_LIST_QUERY % (l,n)

[size=1em]

4	## send request to url and do scraping

Python的list comprehension可以很方便的通过构造一个列表的方式来减少循环的层次。

另外Python还有一个很方便的语法来合并连个列表： list = list1 + list2

好我们再看看如何使用BeautifulSoup来抓取网页中我们需要的内容。

首先调用urlopen读取对应url的内容，通常是一个html，用该html构造一个beautifulsoup对象。

beautifulsoup对象支持很多查找功能，也支持类似css的selector。通常如果有一个DOM对象是<xx class='cc'>,我们使用以下方式来查找：

[size=1em][size=1em]

1	obj = soup.find("xx","cc")

另外一种常见的方式就是通过CSS的selector方式，在上述代码中，我们选择class=searchResult元素里面，所有的tr元素，过滤掉th也就是表头元素。

[size=1em][size=1em]

1	for dd in soup.select('.searchResult tr') if dd.contents[1].name != 'th'

http://static.open-open.com/lib/uploadImg/20140531/20140531103332_76.png

对于每一行记录tr，生成一条球员记录，并存放在一个列表中。所以我们就循环tr的内容tr.contents,获得对应的field内容。

对于每一个tr的content，我们先检查其类型是不是一个Tag,对于Tag类型有几种情况，一种是包含img的情况，我们需要取出球员的头像图片的网址。

http://static.open-open.com/lib/uploadImg/20140531/20140531103332_18.png

另一种是包含了一个链接，指向其他数据内容

http://static.open-open.com/lib/uploadImg/20140531/20140531103332_721.png

所以在代码中要分别处理这些不同的情况。

对于一个Tag对象，Tag.x可以获得他的子对象，Tag['x']可以获得Tag的attribute的值。

所以用item.img['src']可以获得item的子元素img的src属性。

对已包含链接的情况，我们通过urlparse来获取查询url中的参数。这里我们利用了dict comprehension的把查询参数放入一个dict中，然后添加到列表中。

[size=1em][size=1em]

1	dict([(k,v[0]) for k,v in urlparse.parse_qs(o).items()])

对于其它情况，我们使用Python 的and or表达式以确保当Tag的内容为空时，我们写入‘na’，该表达式类似C/C++或Java中的三元操作符 X ? A : B

然后有一段代码判断当前记录的长度是否大于10，不大于10则用空值填充，目的是避免一些不一致的地方。

[size=1em][size=1em]

1	if len(record) != 10:

[size=1em]

2	for i in range(0, 10 - len(record)):

[size=1em]

3	record.append('na')

最后，我们把query中的一些相关的参数如球员的id，球队的id，所在的联赛代码等加入到列表。

[size=1em][size=1em]

1	record.append(unicode(link,'utf-8'))

[size=1em]

2	record.append(unicode(query["id"],'utf-8'))

[size=1em]

3	record.append(unicode(query["teamid"],'utf-8'))

[size=1em]

4	record.append(unicode(query["lega"],'utf-8'))

最后我们把本页面所有球员的列表放入一个列表返回。

好了，现在我们拥有了一个包含所有球员的信息的列表，我们需要把它存下来，以进一步的处理，分析。通常，csv格式是一个常见的选择。

[size=1em][size=1em]

01	import csv

[size=1em]

02	def write_csv(filename, content, header = None):

[size=1em]

03	file = open(filename, "wb")

[size=1em]

04	file.write('\xEF\xBB\xBF')

[size=1em]

05	writer = csv.writer(file, delimiter=',')

[size=1em]

06	if header:

[size=1em]

07	writer.writerow(header)

[size=1em]

08	for row in content:

[size=1em]

09	encoderow = [dd.encode('utf8') for dd in row]

[size=1em]

10	writer.writerow(encoderow)

[size=1em]

12	write_csv('players.csv',result,player_fields)

这里需要注意的就是关于encode的问题。因为我们使用的时utf-8的编码方式，在csv的文件头，需要写入\xEF\xBB\xBF，详见这篇文章

好了现在大功告成，抓取的csv如下图：

http://static.open-open.com/lib/uploadImg/20140531/20140531103332_207.png

因为之前我们还抓取了球员本赛季的比赛详情，所以我们可以进一步的抓取所有球员每一场比赛的记录

http://static.open-open.com/lib/uploadImg/20140531/20140531103332_348.png

抓取的代码如下

[size=1em][size=1em]

01	def get_player_match(url):

[size=1em]

02	html = urlopen(url).read()

[size=1em]

03	soup = bs4.BeautifulSoup(html, "lxml")

[size=1em]

04	matches = [ dd for dd in soup.select('.shtdm tr') if dd.contents[1].name != 'th']

[size=1em]

05	records = []

[size=1em]

06	for item in [ dd for dd in matches if len(dd.contents) > 11]: ## filter out the personal part

[size=1em]

07	record = []

[size=1em]

08	for match in [ dd for dd in item.contents if type(dd) is bs4.element.Tag]:

[size=1em]

09	if match.string:

[size=1em]

10	record.append(match.string)

[size=1em]

else:

[size=1em]

12	for d in [ dd for dd in match.contents if type(dd) is bs4.element.Tag]:

[size=1em]

13	query = dict([(k,v[0]) for k,v in urlparse.parse_qs(d['href']).items()])

[size=1em]

14	record.append('teamid' in query and query['teamid'] or query['id'])

[size=1em]

15	record.append(d.string and d.string or 'na')

[size=1em]

16	records.append(record)

[size=1em]

17	return records[1:]##remove the first record as the header

[size=1em]

19	def get_players_match(playerlist, baseurl = BASE_URL + '/player.aspx?'):

[size=1em]

20	result = []

[size=1em]

21	for item in playerlist:

[size=1em]

22	url =baseurl + item[10]

[size=1em]

print url

[size=1em]

24	result = result + get_player_match(url)

[size=1em]

25	return result

[size=1em]

26	match_fields = ['date_cn','homeid','homename_cn','matchid','score','awayid','awayname_cn','league_cn','firstteam','playtime','goal','assist','shoot','run','corner','offside','foul','violation','yellowcard','redcard','save']

[size=1em]

27	write_csv('m.csv',get_players_match(result),match_fields)

抓取的过程和之前类似。

下一步做什么

现在我们拥有了详细的欧洲联赛的数据，那么下一步要怎么做呢，我推荐大家把数据导入BI工具来做进一步的分析。有两个比较好的选择：

Tableau Public

Tableau在数据可视化领域可谓无出其右，Tableau Public完全免费，用数据可视化来驱动数据的探索和分析，拥有非常好的用户体验

Splunk

Splunk提供一个大数据的平台，主要面向机器数据。支持每天免费导入500M的数据，如果是个人学习，应该足够了。

当然你也可以用Excel。
来自：http://my.oschina.net/taogang/blog/271060

「经管之家」APP：经管人学习、答疑、交友，就上经管之家！
免流量费下载资料----在经管之家app可以下载论坛上的所有资源，并且不额外收取下载高峰期的论坛币。
涵盖所有经管领域的优秀内容----覆盖经济、管理、金融投资、计量统计、数据分析、国贸、财会等专业的学习宝库，各类资料应有尽有。
来自五湖四海的经管达人----已经有上千万的经管人来到这里，你可以找到任何学科方向、有共同话题的朋友。
经管之家（原人大经济论坛），跨越高校的围墙，带你走进经管知识的新世界。
扫描下方二维码下载并注册APP

本文关键词：

本文论坛网址：https://bbs.pinggu.org/thread-3089239-1-1.html

上一篇 | 关于外审超期或严重超期

下一篇 | Mixed Models - Theory and Applications ...

数据分析培训精彩帖子推荐更多

您可能感兴趣的文章

本站推荐的文章

人气文章

本文标题：使用Python抓取欧洲足球联赛数据进行大数据分析

本文链接网址：https://bbs.pinggu.org/jg/ruanjianpeixun_shujufenxipeixun_3089239_1.html

1.凡人大经济论坛-经管之家转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责；
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性，不作出任何保证或承若；
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。

使用Python抓取欧洲足球联赛数据进行大数据分析-经管之家官网！

数据分析培训