Learn Code With Mike

Photo by Prince Abid on Unsplash 網路的普及，為了要自動化的搜集資料，提升工作效率，相信Python網頁爬蟲是最常使用的方法之一，而要實作Python網頁爬蟲，最受歡迎的三大工具莫過於BeautifulSoup、Selenium及Scrapy，其中各自的主要特色以及使用時機，本文就來為大家進行簡單的分享與比較。

Photo by Austin Distel on Unsplash 為了能夠自動化蒐集網頁上的資料，通常都會利用Python網頁爬蟲來幫忙完成，而蒐集到的資料如果想要進行排序、群組或篩選的動作，就需要花費不少的功夫來達成。 這時候，就能夠整合Pandas資料分析套件，將爬取的資料存入DataFrame資料結構，使用它所提供的方法，即可輕鬆操作其中的資料，除了提升處理資料的效率，也能夠讓程式碼更加簡潔。

Photo by Windows on Unsplash 在 [Pandas教學]資料分析必懂的Pandas DataFrame處理雙維度資料方法 文章的分享中，可以得知Pandas DataFrame資料結構非常適合用於表格式 資料的儲存及處理，也因此被應用於許多的情境，而讀取網頁上的表格 (Table) 資料則是最常見的應用之一。

Photo by Slidebean on Unsplash 現在有許多的企業或商家，都會利用取得的使用者資料來進行分析，瞭解其中的趨勢或商機，由此可見，資料分析越來越受到重視，而這時候，能夠懂得使用資料分析工具就非常的重要。 在上一篇 [Pandas教學]資料分析必懂的Pandas Series處理單維度資料方法 文章中，分享了Pandas Series資料結構用於處理單維度資料集的實用方法，而本文則要來介紹Pandas套件的另一個非常重要的資料結構，也就是 DataFrame。

Photo by Myriam Jessier on Unsplash 在隨手可得的數據時代，資料分析逐漸成為顯學，利用視覺化軟體或是分析處理工具，將蒐集的資料轉變為有用的資訊，來協助使用者進行決策。 Pandas套件則是其中一種常用的資料分析處理工具，它是基於Python程式語言來建立的，非常容易使用且強大，主要應用於單維度(Series)與二維度(DataFrame)的資料處理。

Photo by UX Indonesia on Unsplas h 網際網路的盛行，日常生活中充滿了大量的資訊，也因此越來越多的使用者會利用Python網頁爬蟲技術，來蒐集想要的資料，藉此來進行分析及應用，為了讓讀者能夠快速入門Python網頁爬蟲，本文想來和大家分享在開發前，需要知道的五個基本觀念，包含： 什麼是網頁爬蟲 網路的運作方式 網頁的基本結構 常見的套件及框架 網頁爬蟲開發流程 一、什麼是網頁爬蟲 網頁爬蟲可以把它想像成是一種網頁機器人，能夠依照特定的模式或規則，自動化擷取網頁原始碼，來進行解析取得資料，所以被大量的應用在網頁資料蒐集。 當然網頁爬蟲部一定只能使用Python來進行實作，其它像Java、C#及JavaScript等程式語言也可以，而因為Python語法簡潔及擁有許多成熟的套件與框架，所以筆者選擇Python來開發網頁爬蟲。 二、網路的運作方式 Python網頁爬蟲事實上就是模擬使用者來瀏覽網頁，這時候就需要瞭解網路的基本架構，分為用戶端(Client)及伺服端(Server)。 其中，用戶端(Client)就是使用者瀏覽網頁的裝置(例：本機電腦)，當使用者點擊網頁時，也就代表請求(Request)的動作，存取該網頁連結的伺服端(Server)，而伺服端(Server)接收連結得知使用者所要看的網頁後，將內容回應(Response)給用戶端(Client)，如下圖： 這樣的網路運作方式就跟點餐的流程非常相似，當我們進到一間餐廳看著菜單，就像到一個網站瀏覽其中的網頁，接著，到櫃檯向老闆點餐的動作就像是看到喜歡的網頁，請求(Request)伺服端(Server)想看的網頁，最後，等待老闆烹飪完成送到餐桌上，像是伺服端(Server)端處理完成回應(Response)給使用者。 而在開發Python網頁爬蟲時，這邊有兩個重要的觀念，分別是： 請求方法(Request Method) 等待回應(Waits) 請求方法(Request Method)基本上分為四種，包含GET(查詢)、POST(新增)、PUT(修改)及DELETE(刪除)，由於Python網頁爬蟲大部分皆是查詢伺服端(Server)想要存取的網頁，所以請求方法(Request Method)都是使用GET(查詢)。 另外，等待(Wait)伺服端(Server)的回應(Respons

Photo by Burst on Unsplash Python網頁爬蟲在日常生活中的應用非常普遍，用來自動化蒐集所需的資料，這時候如果能夠提供使用者一個介面，即可以依據不同的需求來爬取相應的資料，提升服務的體驗及彈性。

Photo by LinkedIn Sales Navigator on Unsplash 在使用Python網頁爬蟲爬取網頁時，有些網頁為了提升使用體驗及維持執行效能，會使用AJAX的技術， 非同步向伺服器傳送參數，取得資料來進行顯示， 使用者不會感受到畫面有任何的閃爍或停頓，依然能夠正常的使用網頁。 不過想要爬取這種類型的網頁，點擊滑鼠右鍵檢視原始碼時，會看到滿滿的Unicode編碼資料，沒有HTML標籤，這時候要來爬取網頁時，會完全抓不到資料。 由於筆者在爬取 KKday網站 的一日遊票券時，就是遇到這樣的情況，所以想藉此來和大家分享Python網頁爬蟲該如何爬取AJAX類型的網頁，其中的開發流程如下： 分析網頁 分析AJAX回傳結果 開發Python網頁爬蟲 一、分析網頁 首先，前往 KKday網站 ，假設在搜尋的地方輸入「新竹市」進行搜尋後，在網頁左側的「所有商品類別」中，選擇「觀光旅行」下的「一日遊」，就可以查到新竹市一日遊的相關票券，如下圖： 這時候，點擊滑鼠右鍵檢視網頁原始碼時，會完全找不到網頁上所顯示的票券名稱，都是Unicode編碼，這就是典型的AJAX類型網頁，也因為瀏覽器有辦法解析，所以網頁能夠正常的顯示中文字。 為了觀察網頁載入時，網頁向伺服器發送的請求(Request)，點擊F12鍵開啟開發者模式，並且在原網頁點擊F5鍵重新整理，就可以在開發者模式的Network頁籤下，看到每一個請求(Request)，如下圖： 接著，就要來找哪一個請求(Request)的回應(Response)是網頁上的資料，以上圖第6個請求(Request)為例，點擊後，可以在「 Headers」 看到它的請求(Request)內容，如下圖： 而要看這個請求(Request)的回應內容，可以切換到「Preview」頁籤來檢視，如下圖： 從上圖即可看到網頁上所顯示的票券資料，也就代表如果要使用Python網頁爬蟲來發送請求(Request)時，就是要使用「Headers」頁籤下的「Request URL」網址，如下圖： 從請求網址(Request URL)可以看到其中包含了幾個查詢的條件，目前只有輸入關鍵字(keyword)及選擇商品類別(cat)，其它查詢條件都沒有輸入或保留預設值，所以，可以將請求網址(Request URL)簡化為： 「https://www.k

Photo by Soragrit Wongsa on Unsplash 圖像辨識的技術，現在已經廣泛的應用在日常生活中，舉例來說，Google相簿就有使用圖像辨識的技術，來協助使用者標記景點或人物，或是Facebook使用圖片辨識來取出圖片中的文字，來找出違反政策的貼文，改善動態消息的內容等。 而要讓機器能夠辨識出圖片中的內容，就需要有大量的圖片進行機器學習，這時候就可以利用Python網頁爬蟲的技術，蒐集網路上所需的圖片，進而輸入機器中學習。 所以本文想來和讀者分享，如何利用Python網頁爬蟲來自動化下載圖片，其中的開發流程為： 分析 圖片來源網站 爬取圖片來源網址 下載圖片至資料夾中 一、分析 圖片來源網站 本文以 Unsplash 圖片網站為例，其中包含許多種類的高解析度圖片，如下： 假設在搜尋的地方輸入car，就可以找到汽車相關的圖片，如下： 這時候可以觀察網址的地方，最後會加上使用者所輸入的查詢關鍵字，如下圖： 接著，來看一下每張圖片的HTML原始碼結構，如下圖： 可以看到，圖片標籤(img)的樣式類別(class)為「 _2VWD4 _2zEKz 」，Python網頁爬蟲就能夠依據這個 樣式類別(class)來進行定位，取得圖片。 二、爬取圖片來源網址 瞭解所要爬取的 Unsplash 圖片網站結構後，本文以Visual Studio Code，開啟Python網頁爬蟲專案資料夾，在Terminal的視窗中，利用以下的指令安裝所需的套件 ： $ pip install requests $ pip install beautifulsoup4 $ pip install lxml 其中Requests套件用來發送請求給網頁，回應的結果就是使用BeautifulSoup套件爬取內容，而lxml則是支援 BeautifulSoup套件的HTML/XML解析器。 安裝完成後，建立app.py檔案，並且引用以下的模組(Module) ： from bs4 import BeautifulSoup import requests import os 範例中引用的os模組(Module)，提供操作檔案及目錄的方法，可以協助建立資料夾及存放下載的圖片。 為了提供一個互動的介面，讓使用者能夠輸入想要下載的圖片，可以利用Python內建的input()方法(Met

Photo by Denise Jans on Unsplash 現在的網頁五花八門，其中充滿了許多有價值的資料，因此有許多的使用者都會使用 Python 網頁爬蟲的技術來進行取得，而這也衍生了可能因為過量的請求 (Request) ，導致網站的伺服器過載，而產生問題。 所以，越來越多的網站開始偵測網頁爬蟲，將其封鎖，這時候，在開發 Python 網頁爬蟲時，該如何降低被偵測到的風險呢?

Photo by Campaign Creators on Unsplash 實務上開發Python網頁爬蟲，使用一般的同步處理 (Synchronous) 方式爬取大量的資料時，會發現需花費蠻久的時間，這是因為同步處理 (Synchronous) 需等待網頁回應後，才能繼續執行下一個任務，而在等待的過程中，執行緒是完全停滯的，不會去做其它的任務，所以，為了提升執行的速度，就會使用非同步處理 (Asynchronous) 來進行開發。

Photo by Zan on Unsplash 網頁相信是許多人取得訊息的主要來源，為了追蹤、分析或取得想要的資訊，Python網頁爬蟲技術 被 廣泛的使用，而如果所要爬取的資料量非常大時，效能就會變得非常的重要，而非同步(Asynchronous)處理則是用來提升效率的常用方法。

Photo by Austin Distel on Unsplash 在多樣化的網頁中，為了避免一次載入大量的資料影響執行效能，除了可以使用分頁，或像電子商務及社群平台，透過滾動捲軸的方式動態載入資料外，另一種常見的做法，就是增加查詢的功能。

Photo by William Iven on Unsplash 雲端相信大家都不陌生，日常生活中有許多的應用程式，都是運行在雲端平台上，讓使用者可以不受地點的限制，只要能夠連上網路，就可以使用雲端上的服務。

Photo by UX Indonesia on Unsplash 在開發 Python 網頁爬蟲時，除了可以將取得的資料儲存在資料庫外，有時候，也會想要匯出成 Excel 檔案，進而使用其中的圖形化功能，來製作統計圖表，有效率的進行資料分析。

Photo by Lara Far on Unsplash 想要從事網頁資料分析的人，相信對於使用 Python 來開發網頁爬蟲取得所需的資料並不陌生，但是有沒有辦法能夠每天持續的自動化蒐集資料，並且儲存在資料庫中，使得有足夠的資料量可以進行分析?

Photo by Markus Spiske on Unsplash 在數據爆炸的時代，想要透過資料分析來取得其中有價值的資訊，就需要先獲取大量的資料，並且有效的儲存起來，如此才能夠進行多樣化的應用。 而網頁則是最常見的資料蒐集管道，通常會利用 API、Open Data (開放資料)或 Python 網頁爬蟲等技術來進行取得，那又該如何把這些資料儲存起來呢?

Photo by Štefan Štefančík on Unsplash 身為 LINE Bot 的服務提供者，為了每天能持續的提供使用者有價值的資訊，想必會想尋找一個 24 小時不間斷的環境來運行 LINE Bot ，而雲端平台就會是最佳的解決方案，不但擁有多樣的資源，也能夠依據使用量彈性擴充。

Photo by Alvaro Reyes on Unsplash LINE Bot 的自動化回覆訊息特性，使得被廣泛的應用在許多的場景，其中又以推播有價值的資訊為大宗，而這些資料除了可以像 [Python+LINE Bot教學]建構具網頁爬蟲功能的LINE Bot機器人 文章一樣，利用網路爬蟲即時蒐集外，當資料量非常大或有歷史資料的查詢需求時，也可以將資料儲存至資料庫中，使用者需要時， LINE Bot 直接從資料庫中取得即可，提升執行效能。

Photo by Alexandru Acea on Unsplash 在 LINE 通訊軟體普遍的使用下，許多店家紛紛透過建立 LINE Bot ，來自動和使用者互動，瞭解消費的需求，進而推播相關的優惠訊息。 大家如果有仔細觀察，可以發現當使用者對店家的 LINE Bot 發出訊息時，有些除了回應文字訊息外，還會回應貼圖、影片或樣板訊息等 ，來提高使用者體驗， 這些就是 LINE Messaging API 所提供的 訊息型態 (Message types) ，讓開發人員可以依據需求，來客製化回應的訊息。

Photo by Tim Bennett on Unsplash LINE Bot 機器人在日常生活中，相信都可以看到它的身影，像是線上購物平台的優惠活動或最新消息推播等，藉此來和使用者進行互動。所以筆者也開發了一個美食餐廳機器人 (FoodLineBot) ，來幫助使用者找到理想的餐廳。 本文延續 [Python+LINE Bot教學]6步驟快速上手LINE Bot機器人 文章，在瞭解 LINE Bot 的執行架構，建置了一個基本的答話功能後，接下來就要來教各位如何整合 Python 網頁爬蟲，將取得的訊息，透過 LINE Bot 自動回覆給使用者。 本文的重點包含： LINE Bot 專案架構 Python 網頁爬蟲 LINE Bot 整合 Python 網頁爬蟲 一、 LINE Bot 專案架構 首先，來複習一下 [Python+LINE Bot教學]6步驟快速上手LINE Bot機器人 文章中的專案架構，如下圖： 而加入 Python 網頁爬蟲後，它的架構就會是如下圖： 也就是在 Django 專案中，新增一個 Python 檔案，在其中撰寫網頁爬蟲的程式碼，最後將取得的資料透過文字訊息回應給使用者。 為了簡化教學內容，讓讀者易於學習，所以本文只會爬取一個美食網站的資訊作為範例，當讀者熟悉後，即可依照需求爬取更多的網站。 二、 Python 網頁爬蟲 本文將以知名美食網站 愛食記 為例，爬取其中的餐廳資訊，首頁如下圖： 在網站中，包含許多非常棒的美食專欄文章及評價，並且提供了餐廳篩選的條件，如下圖： 本文就先來示範爬取某地區 前五名最高人氣且營業中的餐廳資訊 ，而在下一篇文章中，則會 增加 讓使用者選擇美食分類及平均消費價格的需求，也就是上圖的美食分類及平均消費的篩選條件，將符合的餐廳資訊回覆給使用者。 接下來，利用以下的指令安裝 Requests 及 BeautifulSoup 套件 ，分別用來請求存取與解析網頁的 HTML 原始碼 ： $ pip install requests $ pip install beautifulsoup4 開啟 Django 專案，在應用程式 (foodlinebot) 下，新增一個 scraper.py 檔案，如下圖： 在 scraper.py 檔案中，會使用 Python 物件導向的多型 (Polymorphism)