文档章节

Python开发简单爬虫

dotleo
 dotleo
发布于 2017/09/07 11:22
字数 1720
阅读 38
收藏 2

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

© 著作权归作者所有

共有 人打赏支持
dotleo
粉丝 14
博文 51
码字总数 52059
作品 0
天津
程序员
私信 提问
5个python爬虫教材,让小白也有爬虫可写,含视频教程!

认识爬虫   网络爬虫,如果互联网是一张蜘蛛网,网络爬虫既是一个在此网上爬行的蜘蛛,爬了多少路程即获取到多少数据。 python写爬虫的优势   其实以上功能很多语言和工具都能做,但是用...

柯西带你学编程
06/12
0
0
学Python有什么用?python入门

  现下Python 可以做任何事情,无论是从入门级选手到专业级选手都在做的爬虫,还是Web 程序开发、桌面程序开发还是科学计算、图像处理,Python都可以胜任。   Python为我们提供了非常完善...

老男孩Linux培训
06/01
0
0
不是你学不会Python,只说你的学习方法不对!那如何学习Python呢

有没有那么一个瞬间,你想放弃学习Python? 做任何事情一定有在短期内简单可行的方法。学习不应该是苦差事,而应该是快乐的,重要的是找到适合自己的学习方法。 很多人觉得自己一定能够自学好...

Python燕大侠
06/06
0
0
福利 | Python专场竞技,这些书给你加把力!

端午节将至,各地龙舟备战竞技,粽子部队也整装待发。小编掐指一算,这种热闹的时节,是时候展现真正的技(fu)术(li)了! (“Python号”龙舟闪亮登场!) Python作为当下最流行的编程语言...

06/15
0
0
王者程序员整理的Python网络爬虫和web的系统学习路线图

最近很多小伙伴找小编咨询,如何系统的学习Python?相信这个论题应该困扰了许多想学习Python的人,今天小编给大家讲一下一个零根底的小白,应该如何体系化的学习Python编程语言,在学习的道路...

dcpeng
09/06
0
0

没有更多内容

加载失败,请刷新页面

加载更多

isEmpty和null的区别

isEmpty和null的区别: 1.一个是对象为空(IsNull),一个是值为空(IsEmpty) 2.IsNull指任务类型变量是否为空包括对象类型的变量。 IsNull函数: 功能:返回Boolean的值,指明表达是否不包...

DemonsI
11分钟前
0
0
Centos7 安装mysql与php

https://blog.csdn.net/qq_36431213/article/details/79576025 官网下载安装mysql-server 依次使用下面三个命令安装 wget http://dev.mysql.com/get/mysql-community-release-el7-5.noarch.r......

Yao--靠自己
21分钟前
0
0
详解如何实现一个简单的 vuex

首先我们需要知道为何要使用 vuex。父子组件通信用 prop 和自定义事件可以搞定,简单的非父子组件通信用 bus(一个空的 Vue 实例)。那么使用 vuex 就是为了解决复杂的非父子组件通信。 仅仅...

嫣然丫丫丫
26分钟前
1
0
算法——RangePartitioner实现之reservoirSample

简介 reservoir的作用是:**在不知道文件总行数的情况下,如何从文件中随机的抽取一行?**即是说如果最后发现文字档共有N行,则每一行被抽取的概率均为1/N? 我们可以:定义取出的行号为cho...

freeli
28分钟前
1
0
Python安装及netcdf数据读写

一、在CentOS7系统上安装Python3 在anaconda官网下载(http://https://www.anaconda.com/download/#linux)(Anaconda指的是一个开源的Python发行版本,是Python的包管理器和环境管理器) 下...

voole
32分钟前
1
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部