Python开发简单爬虫
博客专区 > dotleo 的博客 > 博客详情
Python开发简单爬虫
dotleo 发表于3个月前
Python开发简单爬虫
  • 发表于 3个月前
  • 阅读 14
  • 收藏 1
  • 点赞 0
  • 评论 0

腾讯云 新注册用户 域名抢购1元起>>>   

本文在学习慕课网 疯狂的蚂蚁crazyant 的课程后写作,文中截图部分来自于视频,感谢视频作者。大家也可以通过点击这里观看视频学习,老师讲得贼棒!

What's 爬虫

通俗的讲,爬虫就是通过一个URL开始,自动获取数据的“网络机器人”。

简单的爬虫架构

pic

  1. URL管理器记录爬取过的URL和未爬取的URL
  2. 从URL管理器中获取一个未爬取的URL下载网页内容
  3. 解析爬取到的内容,将价值数据存储起来,将爬到的新URL传递给URL管理器存储为未爬取的URL,并从2开始循环执行

URL管理器

存储未爬取的URL和爬取过的URL

作用

  • 防止重复抓取。爬取过后的URL存在已爬取URL集合中,不再去访问
  • 防止循环抓取。如果A网页包含B网页的链接,B网页包含A网页的链接,可能导致无限循环。每次添加URL时,判断未爬取URL集合、已爬取URL集合可以避免

需要实现的功能

  • 可以添加新的URL到未爬取集合中,该功能需要判断新的URL是否在URL管理器容器中
  • 判断是否还有未爬取的URL
  • 获取一个待爬取的URL,该功能需要从未爬取的URL集合中删除该URL,并添加到已爬取的URL集合中

实现方式

  • 使用Python,用两个Set分别表示
  • 使用Mysql等数据库存储
  • 使用Redis等,也可以使用两个Set分别表示

网页下载器

将互联网上URL对应的网页下载到本地的工具,本文介绍Python自带库“urllib2”

"urllib2"使用方法

  1. 最简单的使用方法

    pic

  2. 添加data、http header

    pic

  3. 添加特殊情景的处理器(HTTPCookieProcessor、ProxyHandler、HTTPSHandler、HTTPRedirectHandler)

    以添加HTTPCookieProcessor为例:

    pic

网页解析器

网页解析器是从网页中提取有价值数据的工具。

pic

常见的几种网页解析器

  • 正则表达式:可以模糊匹配网页字符串里中的内容,在比较复杂的数据中非常麻烦
  • html.parser:Python自带的解析器
  • lxml:第三方插件,可以解析html和xml
  • Beautiful:第三方插件,它既可以使用html.parser作为解析器,也可以使用lxml作为解析器,功能比较强大,推荐使用

其中,正则表达式是基于文本的模糊匹配;其他3种方式将网页文档解析为DOM树解析。

pic

Beautiful Soup介绍

官网:https://www.crummy.com/software/BeautifulSoup/

pic

对Beautiful Soup进行操作的一般步骤

  1. 先根据HTML网页字符串创建Beautiful Soup对象。
  2. 获取节点,可以通过节点名称、属性值、文字搜索节点。find_all会搜索所有满足要求的节点,find搜索出满足要求的第一个节点。
  3. 访问节点,获取节点的名称、属性、文字的值。
    pic

函数介绍

  1. 创建Beautiful Soup对象

    pic

  2. 搜索节点(find_all,find)

    pic

  3. 访问节点信息

    pic

爬虫实例

分析

  1. 确定目标

    也就是说:我们需要扒取哪个网站和哪些数据。

    本实例我们确定要抓取百度百科“python”词条这个页面和它相关的页面,数据包括页面内的关键词、简介。

  2. 分析目标

    • URL格式,用来限定抓取页面的范围

    本实例抓取的URL是页面中的其他词条的超链接,格式类似于<a href="/item/%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E8%AF%AD%E8%A8%80">计算机程序设计语言</a>

    • 抓取的数据格式,用于存储数据

    本实例都是字符串格式的数据

    • 确定编码,确保程序中的编码格式

    百度百科网页使用utf-8编码,所以在编写代码中注意转码

  3. 编写代码

  4. 执行爬虫

编码

主模块

# -*- coding:utf-8 -*-

import url_manager
import html_downloader
import html_parser
import html_outputer


class SpiderMain(object):

    def __init__(self):
        self.urls = url_manager.UrlManager() # 初始化URL管理器
        self.downloader = html_downloader.HtmlDownloader() # 初始化网页下载器
        self.parser = html_parser.HtmlParser() # 初始化网页解析器
        self.outputer = html_outputer.HtmlOutputer() # 初始化数据输出器

    def craw(self,root_url):
        count = 1  # 记录成功条数
        self.urls.add_new_url(root_url) # 添加url到url管理器
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url() # 获取未爬过的url
                print 'craw %d : %s' %(count, new_url)
                html_cont = self.downloader.download(new_url) # 根据url下载网页
                new_urls, new_data = self.parser.parse(new_url, html_cont) # 解析网页内容
                self.urls.add_new_urls(new_urls) # 将爬到的新网址添加到url管理器
                self.outputer.collect_data(new_data) # 将内容添加到数据输出器

                if count == 1000:
                    break

                count = count + 1
            except:
                print 'craw failed'


        self.outputer.output_html() # 输出内容

# main函数
if __name__ == '__main__':
    root_url = 'https://baike.baidu.com/item/Python' # 最开始的url
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

URL管理器

# -*- coding:utf-8 -*-

# URL管理器
class UrlManager(object):

    def __init__(self):
        self.new_urls = set() # 存放未读取url
        self.old_urls = set() # 存放已读取url

    # 添加一个url到未读url列表
    def add_new_url(self, url):
        if url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    # 添加多个url到未读url列表
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    # 返回是否有未读url
    def has_new_url(self):
        return len(self.new_urls) != 0

    # 随机获取一个未读url
    def get_new_url(self):
        new_url = self.new_urls.pop() # 获取未读url并删除
        self.old_urls.add(new_url) # 添加这个url到已读url列表中
        return new_url

网页下载器

# -*- coding:utf-8 -*-

import urllib2

# 网页下载器
class HtmlDownloader(object):

    # 获取服务器响应内容
    def download(self,url):
        if url is None:
            return None

        response = urllib2.urlopen(url)

        if response.getcode() != 200: # 获取成功标识
            return None

        return response.read()

网页解析器

# -*- coding:utf-8 -*-
from bs4 import BeautifulSoup
import re

# 网页解析器
class HtmlParser(object):

    # 获取其中的url
    def __get_new_urls(self,page_url, soup):
        new_urls = set()
        links = soup.find_all('a', href=re.compile(r'/item/[a-zA-Z0-9%]+')) # 匹配url,可能会发生变化
        for link in links:
            new_url = link['href'].encode('utf-8') # 获取url
            new_full_url = 'https://baike.baidu.com'+new_url # 拼接url
            new_urls.add(new_full_url)
        return new_urls

    # 获取其中的内容(关键词,简介)
    def __get_new_data(self,page_url,soup):
        res_data = {}

        res_data['url'] = page_url

        # 获取关键词
        title_node = soup.find('dd', class_ = 'lemmaWgt-lemmaTitle-title').find('h1')
        res_data['title'] = title_node.get_text()

        # 获取简介
        summary_node = soup.find('div', class_ = 'lemma-summary')
        res_data['summary'] = summary_node.get_text()

        return res_data

    # 解析htnl字符串
    def parse(self,page_url,html_cont):
        if page_url is None or html_cont is None:
            return

        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
        new_urls = self.__get_new_urls(page_url, soup)
        new_data = self.__get_new_data(page_url, soup)
        return new_urls, new_data

数据输出器

# -*- coding:utf-8 -*-

# 数据输出器
class HtmlOutputer(object):

    def __init__(self):
        self.datas = list()

    # 添加数据到列表中
    def collect_data(self, data):
        if data is None:
            return
        self.datas.append(data)

    # 输出到html文件中
    def output_html(self):
        fout = open(r'output.html','w')

        fout.write('<html>')
        fout.write('<body>')
        fout.write('<table>')



        for data in self.datas:
            fout.write('<tr>')
            fout.write('<td>%s</td>' % data['url'])
            fout.write('<td>%s</td>' % data['title'].encode('utf-8'))
            fout.write('<td>%s</td>' % data['summary'].encode('utf-8'))
            fout.write('</tr>')


        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')

        fout.close()


文章除注明转载外,均为原创。欢迎任何形式的转载,但请务必注明出处:

文章转载自 OSchina 开源中国
本文作者:dotleo
作者主页:https://my.oschina.net/u/2930289/blog

共有 人打赏支持
粉丝 10
博文 31
码字总数 37254
×
dotleo
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: