Learn Code With Mike

  每到放假出遊的時候，規劃行程就是最花時間的工作，要到許多網站蒐集各種旅遊景點，而這也是Python網頁爬蟲很常應用的情境，透過自動化的方式有效蒐集熱門的旅遊景點資料，提升規劃行程的效率。這篇文章就用 雄獅旅遊網站 來當作網路爬蟲應用實例，教大家使用Python網頁爬蟲蒐集旅遊資料。 網站分析及爬取策略 Python網頁爬蟲爬取JavaScript網站資料 Python網頁爬蟲爬取多分頁資料 一、網站分析及爬取策略 首先，前往 雄獅旅遊網站 ，如下圖： 截取自 雄獅旅遊 假設我們想要利用Python網頁爬蟲蒐集韓國旅行團的資料，在上面「國外團體」的地方選擇「韓國」，如下圖： 截取自 雄獅旅遊 並且在下面 「季節限定」的區塊選擇 「更多行程」，如下圖： 截取自 雄獅旅遊 就可以看到非常多季節限定的旅行團資料，如下圖： 截取自 雄獅旅遊 這時候點擊滑鼠右鍵，選擇 「檢查」，切換到 「Network(網路)」頁籤，來檢視網頁背後發送請求的況況。 接下來，按下「Ctrl + R」重新整理網頁，並且搜尋網頁上的資料，會發現網站有使用JavaScript發送請求來取得資料，如下圖： 由此可知，這個網頁就是JavaScript型網頁， 那要利用Python網頁爬蟲爬取JavaScript型網頁的資料，我們就需要知道它的請求網址(Url)、請求方法(Request Method)及請求參數(Payload)，可以切換到Headers(標頭)、Payload(參數)頁籤檢視，如下圖： 如果想要瞭解更詳細的Python網頁爬蟲爬取策略，可以參加 我的免費線上培訓 ，教你各種網頁的爬取方法，讓你能夠輕鬆判斷網頁類型，爬取到想要的資料。 二、Python網頁爬蟲爬取JavaScript網站資料 Python網頁爬蟲爬取JavaScript網站回應的資料，需要引用requests模組，如下範例： import requests 接著，利用requests模組發送POST請求到JavaScript的請求網址，如下範例： import requests response = requests.post('https://travel.liontravel.com/search/grouplistinfojson') 由於剛剛有看到網頁發送請求的時候有傳入參數(Payload

在電商領域中，不論是賣家或買家，很多時候都會需要蒐集各個電商網站的商品、價格與評論等資料，來分析各種商品的價格、用戶滿意度，這時候就可以使用Python網頁爬蟲來自動化蒐集電商網站的資料，進而提升資料分析的效率。今天這篇文章就以 MOMO購物網 作為網路爬蟲應用實例，學會 如何利用Python網頁爬蟲蒐集電商網站的資料。

Python網頁爬蟲可以說是現在大數據時代很重要的資料蒐集技術，在財經領域，很常會需要蒐集財經新聞或相關的股市資料，來作為後續的投資分析或參考，這時候就可以利用Python網頁爬蟲爬取網站上的財經資料，提升蒐集資料的效率。這篇文章就以 Yahoo股市的財經新聞網站 作為網路爬蟲應用實例，教大家如何使用Python網頁爬蟲來自動化爬取財經新聞資料。 網站分析及爬取策略 Selenium發送請求 Selenium自動化滾動網頁卷軸載入資料 Selenium爬取網頁資料 一、網站分析及爬取策略 首先前往 Yahoo股市 的財經新聞網站 ，假設我們想要爬取其中的財經新聞區塊資料，如下圖： 在操作的時候可以發現需要滾動網頁捲軸，才會動態載入更多的財經新聞資料，所以我們就會需要選擇使用Python的Selenium套件來建置動態網頁爬蟲，透過它提供的網頁操作方法(Method)，在操作網頁的同時動態爬取財經資料。 如果想要瞭解更詳細的Python網頁爬蟲爬取策略，可以參加 我的免費線上培訓 ，教你各種網頁的爬取方法，讓你能夠輕鬆判斷網頁類型，爬取到想要的資料。 二、Selenium發送請求 接下來，打開Python網頁爬蟲專案，引用Selenium必要的模組，如下範例： from selenium import webdriver #瀏覽器驅動模組 from webdriver_manager.chrome import ChromeDriverManager #Chrome瀏覽器驅動模組 from selenium.webdriver.common.by import By #網頁元素定位模組 import time #時間模組 更多Selenium專案的初始化與模組引用時機介紹，可以參考我的 全面掌握Selenium建置動態網頁爬蟲的步驟與重要模組 文章。 引用Selenium套件的模組之後，就可以建立瀏覽器驅動物件，發送請求到 Yahoo股市 的財經新聞網站 ，如下範例： from selenium import webdriver #瀏覽器驅動模組 from webdriver_manager.chrome import ChromeDriverManager #Chrome瀏覽器驅動模組 from selenium.webdriver.common.by

如果想要在雲端上實作資料分析專案，那就不能不知道Looker Studio(原名Google Data Studio)雲端資料視覺化工具，能夠免費在Google雲端平台上透過連結各種資料來源，建立屬於自己的視覺化報表，這篇文章我就用Kaggle網站的 Most Subscribed YouTube Channel( 訂閱最多的 YouTube 頻道) 資料集為例，帶你認識Looker Studio的使用方式，並且學會製作雲端資料視覺化圖表，傳達資料價值或故事。

想要洞察資料的價值，除了可以使用 像是Power BI或Tableau等 市面上的產品，來製作視覺化的圖表之外，Python生態系也有提供資料視覺化圖表的套件，其中之一就是Seaborn套件，讓開發人員能夠透過寫程式的方式來客製化建立資料視覺化圖表，這篇文章就以 Kaggle網站的線上銷售資料集( Online Sales Data ) 為例，簡單上手Seaborn套件的使用方式。 什麼是Seaborn？ Seaborn安裝方法 Seaborn連結CSV資料集 Seaborn建立資料視覺化圖表 一、什麼是Seaborn？ Seaborn是以Matplotlib為基礎建構的高階繪圖套件，透過封裝的方式，簡化圖表的設定語法，提升輸出的視覺化美感，並且支援結合Pandas資料分析套件，讓使用者能夠快速產製精美的資料視覺化圖表。 二、Seaborn安裝方法 安裝Seaborn套件非常簡單，開啟命令提示字元，利用pip指令就可以進行安裝，如下： $ pip install seaborn 三、Seaborn連結CSV資料集 Seaborn套件安裝好之後，就可以開啟專案引用 Pandas模組來讀取資料集，還有 Seaborn、Matplotlib模組來建立圖表，如下範例： import pandas as pd import seaborn as sns import matplotlib.pyplot as plt 接下來，利用Pandas模組來讀取 Kaggle網站的線上銷售資料集( Online Sales Data ) ，如下範例第7行 ： import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 讀取資料集 onlineSalesData_df = pd.read_csv('Online Sales Data.csv') 四、Seaborn建立資料視覺化圖表 有了資料集之後，使用Matplotlib的pyplot模組來設定圖表的大小，如下範例第10行 ： import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # 讀取資料集 onlineSalesData_df

  在資料分析的過程中，很多時候我們都需要快速探索資料背後的資訊或價值，進而解決商業上的問題，而資料視覺化就是常用來洞察資料的方法之一。那資料視覺化的工具非常多，這篇文章就來介紹Tableau資料視覺化工具，並且以 Kaggle網站的連鎖超市資料集 為例，教大家從零開始打造精美的資料視覺化圖表。

在實務上，想要進行資料分析，探索大數據背後的價值或趨勢，很常會使用資料視覺化的方法來呈現，幫助決策人員進行商業決策。那資料視覺化的工具非常多，今天就來分享Power BI這套資料視覺化工具，並且以Kaggle網站的 Most Subscribed YouTube Channel( 訂閱最多的 YouTube 頻道) 資料集為例，手把手帶大家建立Power BI視覺化圖表。

在上一篇 有效利用ScraperAPI打造不被偵測的Python網頁爬蟲 文章中，介紹了Python網頁爬蟲串接 ScraperAPI 爬取網頁資料的方式，透過它隨機輪換Proxy IP、瀏覽器標頭等機制，讓我們不用擔心網頁爬蟲被偵測封鎖。那如果今天遇到了動態網頁，需要使用Selenium套件來操作網頁的話，該如何與 ScraperAPI 進行串接呢?這篇文章就來分享Selenium串接 ScraperAPI 的過程。

有些大型的網站，都會有網頁爬蟲的偵測機制，像是請求的標頭、IP、規則性等等，一旦被偵測到就很有可能被封鎖，沒辦法再使用該網站的服務，導致很多人不敢輕易嘗試爬取大型網站的資料。那想要降低被偵測風險的方法之一，就是隨機輪換不同的Proxy IP和請求標頭，最近看到 ScraperAPI 提供了這樣的解決方案，使用上也非常的簡單，又有1000 API額度可以免費使用，所以這篇文章就來分享一下 ScraperAPI 的使用方式。

我們都知道在開發Python網頁爬蟲之前，都要先檢視網頁原始碼，瞭解網頁資料的結構之後才會進行爬取的動作。但是有些網頁在檢視網頁原始碼的時候，會發現找不到網頁上的資料，這就是網站為了防止資料被輕易的爬走，使用JavaScript的技術，動態載入網頁上的資料，讓Python網頁爬蟲無法從網頁原始碼裡面爬取到資料。 這篇文章我就用 雄獅旅遊網站 ，來和大家分享Python網頁爬蟲如何爬取JavaScript型網站的資料，其中的爬取步驟如下：

相信大家平常在瀏覽網頁的過程中，都有看過文字驗證碼(Captcha)，要使用者輸入正確的英文數字才可以繼續操作，那要通過這種反爬蟲機制，就是要先把文字驗證碼(Captcha)的圖片下載下來，再進行後續的辨識動作。 這時候如果你使用圖片的src屬性來下載文字驗證碼(Captcha)圖片，會發現下載下來的圖片和網頁上的不一樣，是因為當我們發送請求到圖片的來源網址時，等於又再打開一次網頁的意思，它就會再次產生不一樣的文字驗證碼，導致下載下來的圖片會不一樣，解決方案就是使用Selenium套件來下載 文字驗證碼(Captcha)圖片 ，這篇文章我就用 博客來 網站為例，來示範其中的實作方式。

想要利用Python網頁爬蟲蒐集網路上的資料，除了一般網頁之外，有些還會需要進行"登入"的動作，才會顯示網頁資料，這也就是所謂的登入型網頁，最常見的像是Facebook、Instagram等社群網站。 這時候就可以利用Python的Selenium套件來模擬登入的動作，進而爬取到想要的資料。這篇文章我就用Facebook網站為例，來教大家Python網頁爬蟲如何利用Selenium套件來自動化登入網站。

很多新手在遇到動態網頁的時候，都會不知所措，因為它需要額外的網頁操作，像是會員登入、滾動網頁卷軸、點擊按鈕等等，才有辦法爬取到網頁資料。 今天這篇文章我就用 Facebook網站 為例， 分享在 建置Python動態網頁爬蟲上 ， 最常使用的5個Selenium網頁操作方法，讓你之後可以順利爬取到動態網頁的資料，包含：

說到建置Python網頁爬蟲的工具，之前我有整理了一篇「 7個Python使用BeautifulSoup開發網頁爬蟲的實用技巧 」的教學文章，今天這篇就用 The News Lens 關鍵評論網的國際新聞 為例，來分享Selenium常用的爬取資料方法，讓大家在建置Python網頁爬蟲爬取動態網頁的時候，可以快速上手。

如果有在開發Python網頁爬蟲的話，「 動態網頁」這個詞應該都不陌生 。那 想要爬取動態網頁上的資料，Selenium套件就是最常被用來開發網頁爬蟲的工具之一，透過它提供的網頁操作方法，來模擬使用者的操作，進而爬取到動態網頁的資料。 這篇文章我整理了Selenium建置網頁爬蟲專案的步驟與重要模組，幫助大家之後能夠更方便、快速的建立Python動態網頁爬蟲專案。

日常的資料分析工作中，有非常多的資料集需要處理，並且各資料集的結構與關係都不盡相同，這時候在利用Pandas套件來合併相關的資料集進行分析時，就可能發生不如預期的資料錯誤。 而Pandas套件常用的merge()及concat()合併資料方法(Method)，也提供了資料驗證的機制，本文就來和大家分享其中的應用方式，避免在合併資料後，產生問題而影響分析結果。重點包含：

在海量的數據中，如果沒有進一步的探索與分析，往往無法看出其中所傳達的訊息， 而使用Pandas套件的Pivot Table樞紐分析表，就能夠將欄位資料透過交叉比對的方式，進行群組、匯總及統計，幫助資料分析人員快速解讀資料。 本文就以 Kaggle網站的2017年Stack Overflow開發者調查資料集(survey_results_public.csv) 為例，帶大家瞭解Pandas套件的 Pivot Table樞紐分析表使用方式，包含：

從各種管道蒐集資料的過程中，因為資料來源的不同，其中使用的「單位」或「格式」就可能有所不同，像是幣別、重量、日期或容量等，當進行資料合併或整合時，如果沒注意就會發生資料「單位」或「格式」不一致的問題。 而這會影響分析及預測的結果，所以，本文利用3個範例，讓大家學會使用Pandas套件進行「單位」或「格式」的統一，包含：

如果有在實作資料分析或機器學習的朋友就會知道，為了要群組或分類相似的資料，會使用標籤、代號或數字等類別資料(Categorical Data)進行分群。像是影像辨識，將相近的圖片使用特定的標籤來代表，提升分析或訓練模型的效率。 但是當資料量非常龐大時，就可能因為人為輸入或解析有誤，導致類別資料(Categorical Data)產生不一致的問題。所以，本文以 Kaggle網站的銀行直銷資料集(bank-direct-marketing-campaigns.csv) 為例，來聊聊如何利用Pandas套件來進行清理。重點包含：

當遇到一個商業問題或假設，要從各個管道蒐集資料來解決問題時，像是檔案、網頁及公開資料庫等，而在進行資料整合的過程中， 如果處理流程不夠完善，就有機會產生重複的資料 誤導分析的結果 。 本文以 Kaggle網站的Amazon 2009-2019年Top50暢銷書資料集(bestsellers with categories.csv) 為例，教大家如何查找及清理資料集的重複資料，提升資料的品質。重點包含：

在大量的數據中，有時為了精準分析特定群組的資料，通常都會依需求定義所要分析的資料範圍，像是評價、日期及年齡區間等 。 而在蒐集資料或人為處理資料的過程中，就有可能發生資料超出所要分析的範圍錯誤，導致分析結果出現異常。本文將以 Kaggle網站的Kindle Store電子書店評論資料集(kindle_reviews.csv) 為例 ，來和大家分享 如何利用Pandas套件來處理 以下兩種類型的資料範圍錯誤：

想要實作資料分析，讀取資料是第一步所要執行的動作，而如果沒有正確的進行資料前處理(Data Preprocessing)，就會影響最後分析結果的準確性及可靠性。 其中，最常見的基本資料問題，包含「資料型態」、 「資料範圍」及 「重複資料」， 本文就先針對 「資料型態」， 來和大家分享如何有效找出髒資料(Dirty Data)，並且利用Pandas套件來進行資料處理或清理，避免髒資料(Dirty Data)導致分析的副作用 ：

在市面上眾多的Python網頁爬蟲工具中，如果想要開發大型的網頁爬蟲專案，這時候都會使用Scrapy框架，擁有完整的爬取、儲存及效率等功能。而Scrapy框架如何克服網站的反爬蟲機制呢? 看完這篇文章，你將學會在Scrapy框架中，利用以下三個常見的實用方法，降低反爬蟲網站的偵測風險：

現在市面上，為了增加Python網頁爬蟲爬取資料的困難度，都會使用反爬蟲機制，像是登入、驗證碼及JavaScript動態產生內容等，而Scrapy框架沒有JavaScript Engine(引擎)，所以，通常都會結合Selenium或Splash套件來爬取這些動態網頁。 本文就以 Accupass網站 的精選活動為例，來分享Scrapy框架整合Selenium套件，開發Python網頁爬蟲的流程，包含：

Python網頁爬蟲是現在非常受歡迎的資料蒐集方式之一，而在定期爬取的過程中，非常有機會因為網頁架構或樣式的改變，導致Python網頁爬蟲發生錯誤中斷。所以，本文提供以下6個檢查點，只要在開發時特別留意，將會讓Python網頁爬蟲較為穩定及有效率。包含：

利用Python網頁爬蟲爬取網頁資料已經是常見的資料蒐集方法之一，但是在爬取的過程中，難免擔心會不會被網站偵測或封鎖，繼 [Python爬蟲教學]有效利用Python網頁爬蟲爬取免費的Proxy IP清單 文章之後，看完本篇文章，你將學會如何在Python網頁爬蟲專案，透過隨機使用不同的Proxy IP發送請求，降低被偵測或封鎖的機率。實作步驟包含 ：

Photo by Cytonn Photography on Unsplash 在開發網頁爬蟲的過程中，是不是會擔心被偵測或封鎖，而爬不到所需的資料呢? 有些大型網站為了保護網頁上的資料不被大量的爬取，會特別偵測像Python網頁爬蟲這種非人工的自動化請求，這時候 Python網頁爬蟲 使用相同的IP來發送請求就很容易被發現。 所以，如果有多組IP能夠讓Python網頁爬蟲在發送請求時輪流使用，就能夠大幅降低被偵測的風險。 而現在有許多網站上也有提供免費的Proxy IP，本文就以 Free Proxy List 網站為例，透過Python網頁爬蟲來蒐集上面的Proxy IP，製作我們的IP清單。實作步驟包含：

Photo by Mad Fish Digital on Unsplash 當單一資料集過於龐大，想要拆分為不同的檔案，或 在實作機器學習時，需要將資料集分為測試及訓練資料等，這時候就有機會把單一CSV檔案中的資料，依據特定條件拆分成多個CSV檔案。 而使用Pandas套件來進行資料分析，就能夠很輕鬆的解決以上任務，本文就以Kaggle網站的「 Coursera Course Dataset( coursea_data.csv ) 」 資料集為例，基於其中的課程難易度等級欄位(course_difficulty)，來分別拆分多個CSV檔案，實作步驟 包含：

Photo by Elena Kloppenburg on Unsplash 使用Pandas套件處理多份CSV檔案資料，相信是資料分析的過程中不可或缺的任務之一，其中，很常有機會比較各個資料集的相同與不相同資料內容，藉此來瞭解差異或檢核資料整合的結果是否有誤。 所以，本文就以Kaggle網站的「 Coursera Course Dataset( coursea_data.csv ) 」及 「 Course Reviews on Coursera(Coursera_courses.csv) 」 兩個 資料集為例，來分享3個Pandas套件比較CSV檔案資料集的 常用 方法，包含：

Photo by Helena Lopes on Unsplash 在進行網頁資料分析的過程中，除了網頁資訊外，有時也會有檔案資料，供使用者下載使用，像是股市相關的網站，就會有各種不同的財務報表下載，這時候， 就可以結合Python網頁爬蟲的特性，來自動化下載檔案資料， 協助股市資料 的 分析實作。 本文就以 證券交易所 的 個股日成交資訊 及 上市公司季報 為例，來分別和大家分享以下兩個常見的Python檔案資料下載方式，包含：

Photo by Marga Santoso on Unsplash 平時在瀏覽網頁的時候，相信大家有時會對於網頁上的某部分資訊感到有興趣，就會想要透過截圖的方式保存下來，就像是 Yahoo奇摩股市 網站，提供了不少資料視覺化的圖表，如果能夠利用網頁截圖的技巧，就可以大幅提升每天的分析效率 。 所以，今天就以 Yahoo奇摩股市 網站為例，來 和大家分享如何使用Python Selenium套件的自動化截圖方法(Method)，截取 網頁圖表，其中的重點包含 ：

Photo by Clay Banks on Unsplash 在 [Python爬蟲教學]3步驟教你部署Python網頁爬蟲到Google(GCP)雲端平台 文章中，和大家分享了部署Python網頁爬蟲到Google Cloud Platform雲端平台，並且能夠將爬取的資料存入Google BigQuery數據庫，而接下來該如何定時自動化執行Python網頁爬蟲呢? 這時候，就會需要利用 Google Scheduler(雲端排程器)，透過自訂時間來排程執行Python網頁爬蟲，其中的實作重點包含：

Photo by Firmbee.com on Unsplash 利用Python網頁爬蟲來進行資料蒐集，想必都會希望能夠自動化的持續運行，將爬取的資料儲存在資料庫中，讓後續可以輕鬆的使用與分析，而要達成自動化的持續運行，就需要將Python網頁爬蟲部署到雲端平台上 。 所以，本文就來接續 [Python爬蟲教學]Python網頁爬蟲寫入資料到Google BigQuery雲端數據庫指南 文章，把其中建置的Python網頁爬蟲部署到Google Cloud雲端平台，並且依然保有原來資料儲存到Google Bigquery數據庫的功能。其中的實作步驟包含：

Photo by Souvik Banerjee on Unsplash 在使用Python網頁爬蟲搜集資料的過程中，隨著時間的累積，資料量就會逐步的增加形成大數據，這時候，就會需要藉由雲端資源來協助我們進行資料分析。 而Google BigQuery雲端數據庫(Cloud Data Warehouse)就是一個非常強大的資料儲存分析工具，除了能夠儲存大量的數據外，還擁有很好的查詢效能，並且可以結合Google Data Studio來進行資料視覺化。 所以本文就接續 [Python爬蟲教學]一學就會的Python網頁爬蟲動態讀取資料庫應用 文章， 來和大家分享，如何將Python網頁爬蟲爬取的資料，載入Pandas DataFrame後，存入Google BigQuery資料表，以利於分析。其中的實作步驟包含：

Photo by CardMapr.nl on Unsplash Python網頁爬蟲在日常生活中有非常多的應用，股票分析就是其中之一，利用Python網頁爬蟲自動化爬取的特性，蒐集所需的各個公司股價資訊。 但是隨著經濟的變動，關注的股票代碼時常會進行調整，這時候，該如何讓Python網頁爬蟲有彈性的讀取股票代碼就很重要 。 而資料庫就是實務上最常使用的資料儲存工具，本文就以SQLite資料庫為例，來和大家分享Python網頁爬蟲如何動態讀取資料庫中所要分析的股票代碼資料，來爬取 臺灣證券交易所 的 個股日成交資訊 。其中的實作步驟包含：

Photo by Christina @ wocintechchat.com on Unsplash 想必大家在開發網頁爬蟲的過程中，都會有遇到各種反爬蟲機制的經驗，而Captcha就是其中一種透過圖片驗證的方式，來增加Python網頁爬蟲爬取資料的困難度。 所以，本文就以 博客來網路書店 的登入頁面為例，來和大家分享如何利用 2Captcha服務 ，破解登入時的一般驗證碼(Normal Captcha)，順利登入會員。其中實作的重點包含：