Google在线深度学习神器Colab
- Colab是google最近推出的一项Python在线编程的免费服务, 有了它,不学Python编程的理由又少了一个
- Colab环境已经集成了流行的深度学习框架Tensorflow,并附赠了一个虚拟机(
40GB硬盘+2*2.30GHZCPU+12.72GB内存),如果在国内无法访问google的服务又不想科学Shang网, 可以考虑微软推出的 notebook- Colab的操作类似于jupyter notebook
- Colab如同使用 Google 文档或表格一样存储在 Google云端硬盘中，并且可以共享
1. Colab 执行终端命令
google为我们提供的Colab服务绑定一个Ubuntu虚拟机(40GB硬盘+2*2.30GHZ CPU+12.72GB内存), 我们只要在Colab中输入以
!开头的终端命令即可
- 查看虚拟机硬盘容量
!df -lh
40GB的硬盘
- 查看cpu配置
!cat /proc/cpuinfo | grep model\ name
双核处理器
- 查看内存容量
!cat /proc/meminfo | grep MemTotal
12.72GB内存
- 安装python依赖包
# 安装requests, 爬虫必备
!pip install requests
# 安装 lxml, 解析xpath语法
!pip install lxml
- 安装 git
# 将获取的数据同步到github仓库
!apt install git
2. 用Colab编写在线爬虫,并在线展示成果
在线编写豆瓣电影爬虫
!pip install lxml
import os
import requests
from lxml import etree
# 负责下载电影海报
def download_img(db_id, title, img_addr, headers):
# 如果不存在图片文件夹,则自动创建
if os.path.exists("./Top250_movie_images/"):
pass
else:
os.makedirs("./Top250_movie_images/")
# 获取图片二进制数据
image_data = requests.get(img_addr, headers=headers).content
# 设置海报存存储的路径和名称
image_path = "./Top250_movie_images/" + db_id[0] + "_" + title[0] + \'.jpg\'
# 存储海报图片
with open(image_path, "wb+") as f:
f.write(image_data)
# 根据url获取数据,并打印到屏幕上,并保存为文件
def get_movies_data(url, headers):
# 获取页面的响应内容
db_response = requests.get(url, headers=headers)
# 将获得的源码转换为etree
db_reponse_etree = etree.HTML(db_response.content)
# 提取所有电影数据
db_movie_items = db_reponse_etree.xpath(\'//*[@id="content"]/div/div[1]/ol/li/div[@class="item"]\')
# 遍历电影数据列表,
for db_movie_item in db_movie_items:
# 这里用到了xpath的知识
db_id = db_movie_item.xpath(\'div[@class="pic"]/em/text()\')
db_title = db_movie_item.xpath(\'div[@class="info"]/div[@class="hd"]/a/span[1]/text()\')
db_score = db_movie_item.xpath(\'div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()\')
db_desc = db_movie_item.xpath(\'div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span[@class="inq"]/text()\')
db_img_addr = db_movie_item.xpath(\'div[@class="pic"]/a/img/@src\')
print("编号:",db_id,"标题:",db_title, "评分:",db_score,"电影描述:", db_desc)
# a表示追加模式, b表示以二进制方式写入, + 表示如果文件不存在则自动创建
with open("./douban_movie_top250.txt", "ab+") as f:
tmp_data = "编号:"+str(db_id)+"标题:"+str(db_title)+"评分:"+str(db_score)+"电影描述:"+ str(db_desc)+"\n"
f.write(tmp_data.encode("utf-8"))
db_img_addr = str(db_img_addr[0].replace("\\'", ""))
download_img(db_id, db_title, db_img_addr, headers)
def main():
# 使用列表生成式,生成待爬取的页面url的列表
urls = ["https://movie.douban.com/top250?start="+str(i*25) for i in range(10)]
# 设置请求头
headers = {
# 设置用户代理头(为狼披上羊皮)
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",
}
# 为避免重复运行程序,造成内容重复,这里把上次的文件清除(可跳过)
if os.path.isfile("./douban_movie_top250.txt"):
os.remove("./douban_movie_top250.txt")
# 从列表取出url进行爬取
for url in urls