基于Python數(shù)據(jù)爬取在高職高專院校中的教學(xué)實(shí)現(xiàn)

牛紅霞 鮑玉薇

摘要：隨著2019年在全國各高職高專院校開始招收“虛擬現(xiàn)實(shí)應(yīng)用技術(shù)”專業(yè)學(xué)生，Python作為專業(yè)基礎(chǔ)課程在本專業(yè)的課程中占有很大的比重，結(jié)合Python語言和高職高專學(xué)生的特點(diǎn)，設(shè)計(jì)教學(xué)過程旨在如何將較難理解的數(shù)據(jù)爬取的內(nèi)容轉(zhuǎn)變成相對(duì)簡單的內(nèi)容，更容易使學(xué)生掌握。

關(guān)鍵詞：高職高專;Python;教學(xué);數(shù)據(jù)爬取

課堂教學(xué)主要采用項(xiàng)目教學(xué)法，結(jié)合任務(wù)驅(qū)動(dòng)法和現(xiàn)場教學(xué)法等教學(xué)方法，設(shè)置的訓(xùn)練任務(wù)為：爬取石家莊信息工程職業(yè)學(xué)院（以下簡稱“信工”）校園網(wǎng)新聞，主要學(xué)習(xí)的內(nèi)容為：BeautifulSoup和requests庫，以及相應(yīng)的方法。

課堂教學(xué)具體過程如下：一段時(shí)間以來，全國各地都在開展“不忘初心，牢記使命”的主題教育，教師在課上會(huì)要求學(xué)生在信工校園網(wǎng)、石家莊任意其它兩所?？圃盒！⑹仪f所有職技類院校甚至于河北省所有的學(xué)校的校園新聞中看看有多少條包含“不忘初心”的新聞，讓學(xué)生對(duì)比幾次搜索關(guān)鍵字所需要的時(shí)間，設(shè)置有什么辦法可以滿足這樣的需求的問題，從而引出本節(jié)課要講的技術(shù)---爬蟲。

首先，讓學(xué)生學(xué)習(xí)什么是爬蟲？爬蟲定義的關(guān)鍵字就是規(guī)則、自動(dòng)和程序。爬蟲的功能很強(qiáng)大，爬蟲可以爬取新聞、圖片、視頻、金融公開信息和用戶公開信息;爬蟲節(jié)省了人工操作，提高了收集數(shù)據(jù)的效率。

習(xí)大大教育我們要“不忘初心，牢記使命”，所以此次的項(xiàng)目任務(wù)就是：爬取信工校園網(wǎng)“校園新聞”中包含“不忘初心”關(guān)鍵字的新聞鏈接和標(biāo)題;實(shí)現(xiàn)爬蟲需要4步，分別是1.設(shè)定爬取目標(biāo)，2.分析目標(biāo)網(wǎng)頁，3.獲取網(wǎng)頁，4.解析網(wǎng)頁，獲得數(shù)據(jù)。獲取數(shù)據(jù)的程序部分只要熟練掌握二個(gè)方法：第一個(gè)方法：對(duì)象.get_text（）方法，用來提取對(duì)象中的文本;比如soup.get_text（），link.get_text（）;第二個(gè)方法：對(duì)象.find_all（標(biāo)簽），用來提取滿足要求的所有數(shù)據(jù)，比如find_all（"a"），從網(wǎng)頁中提取所有標(biāo)簽為“a”數(shù)據(jù)，其中“a”是源代碼標(biāo)簽。要實(shí)現(xiàn)獲取數(shù)據(jù)的前提是要搞清校園新聞的網(wǎng)頁源代碼，通過觀察發(fā)現(xiàn)，所有的新聞都有一個(gè)共性，就是每條新聞的源代碼的標(biāo)簽為a，href是它的鏈接，這是文本。

準(zhǔn)備工作做好之后，來學(xué)習(xí)獲取數(shù)據(jù)的步驟。獲取數(shù)據(jù)的四步：1.判斷每頁中是否包含“不忘初心”2.找到該頁中所有的新聞，3.判斷每條新聞是否包含“不忘初心”4.輸出。每一步使用指令實(shí)現(xiàn)就是1.if“不忘初心”in soup.get_text（）：2.links=soup.find_all（“a”）3.if“不忘初心”in link.get_text（）：4.print（link["href"]，link.get_text（）），再加一條行遍歷來掃描所有新聞，這樣就完美了。

我們來逐條講解一下，第一條指令中if 為判斷語句，in，a in b 返回真或者假，soup.get_text（）獲取的是soup對(duì)象里面的文本，soup對(duì)象里是網(wǎng)頁的源代碼，所以這條語句的實(shí)現(xiàn)的功能就是判斷“不忘初心”是否在網(wǎng)頁源代碼的文本中，假就跳過，若為真執(zhí)行第二條指令，第二條指令是在soup對(duì)象中或者說在網(wǎng)頁源代碼的中找到所有標(biāo)簽為a的新聞，將它賦值于對(duì)象links;第三條指令for link in links，for是遍歷循環(huán)語句，links是所有新聞，link是單條新聞，其作用就是掃描每條新聞，第四條語句，又是if判斷和in語句，link.get_text（）獲取的是link里的文本。這條語句的實(shí)現(xiàn)就是在判斷“不忘初心”是否在每條新聞的文本中，假為跳過，假的話打印，打印的內(nèi)容，link中的href，href是鏈接，和link.get_text（）即每條新聞的文本。因?yàn)榉椒ㄊ谦@取數(shù)據(jù)的關(guān)鍵，也是本次課的重點(diǎn)。程序?qū)崿F(xiàn)比較抽象并且指令多，所以是本次課的難點(diǎn)。

雖然學(xué)生在實(shí)際操作中大多數(shù)執(zhí)行出結(jié)果，成功得爬取了校園網(wǎng)包含“不忘初心”新聞內(nèi)容，但是操作中經(jīng)常出錯(cuò)的有以下兩點(diǎn)：1.單詞拼寫2.對(duì)象位置;學(xué)生會(huì)出錯(cuò)，說明對(duì)知識(shí)點(diǎn)還不熟悉，還需要加強(qiáng)學(xué)生這兩點(diǎn)的練習(xí)。

同時(shí)，也要給學(xué)生強(qiáng)調(diào)爬取個(gè)人隱私信息是違法的，并不是網(wǎng)絡(luò)上所有的信息都可以爬取，這就是大數(shù)據(jù)安全，否則，就會(huì)違法甚至犯罪，大數(shù)據(jù)是把“雙刃劍”，數(shù)據(jù)不能亂爬，這是作為爬蟲工程師最基本的道德規(guī)范和職業(yè)要求，同時(shí)，也要保護(hù)好個(gè)人隱私信息，不讓不法之徒有可乘之機(jī)。所謂有矛就有盾，網(wǎng)上的信息不能隨意爬取，但其實(shí)也并不是所有的網(wǎng)頁都讓爬取的，這就是反爬蟲，理解反爬蟲技術(shù)可以更好地做爬蟲，可以安排學(xué)生課下學(xué)習(xí)反爬蟲的一些相關(guān)知識(shí)。

在準(zhǔn)備Python的數(shù)據(jù)爬取課程中，因?yàn)樽约耗芰τ邢?，除廣泛查閱資料之外，特別感謝與我院合作企業(yè)東軟王光磊老師的大力支持。

參考文獻(xiàn)：

[1]嵩天 ?Python語言程序設(shè)計(jì)基礎(chǔ)（第二版）高等教育出版社 ?2017.2

[2]翁正紅 Python語言及其應(yīng)用 ?電子工業(yè)出版社 2018.8

[3]芒努斯·利·海特蘭德 ?Python基礎(chǔ)教程 人民郵電出社 2018.2

作者簡介：牛紅霞（1979-1）女，漢族，河北省石家莊市人，本科，助教，從事計(jì)算機(jī)應(yīng)用技術(shù)研究。

鮑玉薇（1981-11）女，漢族，河北省石家莊市人，本科，助教，從事虛擬現(xiàn)實(shí)技術(shù)研究。