使用Python抓取欧洲足球联赛数据进行大数据分析

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

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：

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]

4

[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]

08

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]

14

else :

[size=1em]

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

[size=1em]

16

try:

[size=1em]

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

[size=1em]

18	if len(link) == 0:

[size=1em]

19

link = o

[size=1em]

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

[size=1em]

21

except:

[size=1em]

22

pass

[size=1em]

23

[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]

33

[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'

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。

另一种是包含了一个链接，指向其他数据内容

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]

11

[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：

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

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]

11

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]

18

[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]

23

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

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏11 回帖

关键词：python 大数据分析 数据分析 大数据 beautiful 足球 世界杯 大数据

很好的帖子，很专业

太强大了，务必好好研究；。

学习学习。

excel也不错，支持楼主新方法

shoucang,mark

厉害啊！

提供数据抓取服务，有需求的朋友可以联系QQ1453724998