Django+python+BeautifulSoup组合的垂直搜索爬虫

使用python+BeautifulSoup完成爬虫抓取特定数据的工作，并使用Django搭建一个管理平台，用来协调抓取工作。

因为自己很喜欢Django admin后台，所以这次用这个后台对抓取到的链接进行管理，使我的爬虫可以应对各种后期的需求。比如分时段抓取，定期的对已经抓取的地址重新抓取。数据库是用python自带的sqlite3，所以很方便。

 

这几天正好在做一个电影推荐系统，需要些电影数据。本文的例子是对豆瓣电影抓取特定的数据。

 

第一步：建立Django模型

模仿nutch的爬虫思路，这里简化了。每次抓取任务开始先从数据库里找到未保存的(is_save = False)的链接，放到抓取链表里。你也可以根据自己的需求去过滤链接。

 

python代码：

class Crawl_URL(models.Model): url = models.URLField('抓取地址',max_length=100, unique=True) weight = models.SmallIntegerField('抓取深度',default = 0)#抓取深度起始1 is_save = models.BooleanField('是否已保存',default= False)# date = models.DateTimeField('保存时间',auto_now_add=True,blank=True,null=True) def __unicode__(self): return self.url 

然后生成相应的表。

 

还需要一个admin管理后台

class Crawl_URLAdmin(admin.ModelAdmin): list_display = ('url','weight','is_save','date',) ordering = ('-id',) list_filter = ('is_save','weight','date',) fields = ('url','weight','is_save',) admin.site.register(Crawl_URL, Crawl_URLAdmin) 

 

 

 

第二步，编写爬虫代码

 

爬虫是单线程，并且每次抓取后都有相应的暂定，豆瓣网会禁止一定强度抓取的爬虫

爬虫根据深度来控制，每次都是先生成链接，然后抓取，并解析出更多的链接，最后将抓取过的链接is_save=true，并把新链接存入数据库中。每次一个深度抓取完后都需要花比较长的时候把链接导入数据库。因为需要判断链接是否已存入数据库。

 

这个只对满足正则表达式 http://movie.douban.com/subject/(/d+)/ 的地址进行数据解析。并且直接忽略掉不是电影模块的链接。

第一次抓取需要在后台加个链接，比如http://movie.douban.com/chart，这是个排行榜的页面，电影比较受欢迎。

 

python代码：

#这段代码不能格式化发

# coding=UTF-8

import urllib2

from BeautifulSoup import *

from urlparse import urljoin

from pysqlite2 import dbapi2 as sqlite

from movie.models import *

from django.contrib.auth.models import User

from time import sleep

 

image_path = 'C:/Users/soul/djcodetest/picture/'

 

user = User.objects.get(id=1)

def crawl(depth=10):

    for i in range(1,depth):

        print '开始抓取 for %d....'%i

        pages = Crawl_URL.objects.filter(is_save=False)

        newurls={}      

        for crawl_page in pages:

            page = crawl_page.url

            try:

                c=urllib2.urlopen(page)

            except:

                continue     

            try:

                #解析元数据和url

                soup=BeautifulSoup(c.read())

                #解析电影页面

                if re.search(r'^http://movie.douban.com/subject/(/d+)/$',page):

                    read_html(soup)

                #解析出有效的链接，放入newurls

                links=soup('a')

                for link in links:      

                    if 'href' in dict(link.attrs):      

                        url=urljoin(page,link['href'])             

                    if url.find("'")!=-1: continue

                    if len(url) > 60: continue

                    url=url.split('#')[0]  # removie location portion

                    if re.search(r'^http://movie.douban.com', url):

                        newurls[url]= crawl_page.weight + 1 #连接有效。存入字典中

                        try:

                            print 'add url :'

                        except:

                            pass        

            except Exception.args:

                try:

                    print "Could not parse : %s" % args

                except:

                    pass

            #newurls存入数据库 is_save=False weight=i

            crawl_page.is_save = True

            crawl_page.save()

            #休眠2.5秒

            sleep(2.5)

        save_url(newurls)          

#保存url，放到数据库里

def save_url(newurls):

    for (url,weight) in newurls.items():

        url = Crawl_URL(url=url,weight=weight)

        try:

            url.save()

        except:

            try:

                print 'url重复:'

            except:

                pass

    return True

 

 

第三步，用BeautifulSoup解析页面

抽取出电影标题，图片，剧情介绍，主演，标签，地区。关于BeautifulSoup的使用可以看这里BeautifulSoup技术文档

 

#抓取数据 def read_html(soup): #解析出标题 html_title = soup.html.head.title.string title = html_title[:len(html_title)-5] #解析出电影介绍 try: intro = soup.find('span',attrs={'class':'all hidden'}).text except: try: node = soup.find('div',attrs={'class':'blank20'}).previousSibling intro = node.contents[0]+node.contents[2] except: try: contents = soup.find('div',attrs={'class':'blank20'}).previousSibling.previousSibling.text intro = contents[:len(contents)-22] except: intro = u'暂无' #取得图片 html_image = soup('a',href=re.compile('douban.com/lpic'))[0]['href'] data = urllib2.urlopen(html_image).read() image = '201003/'+html_image[html_image.rfind('/')+1:] f = file(image_path+image,'wb') f.write(data) f.close() #解析出地区 try: soup_obmo = soup.find('div',attrs={'class':'obmo'}).findAll('span') html_area = soup_obmo[0].nextSibling.split('/') area = html_area[0].lstrip() except: area = '' #time = soup_obmo[1].nextSibling.split(' ')[1] #time = time.strptime(html_time,'%Y-%m-%d') #生成电影对象 new_movie = Movie(title=title,intro=intro,area=area,version='暂无',upload_user=user,image=image) new_movie.save() try: actors = soup.find('div',attrs={'id':'info'}).findAll('span')[5].nextSibling.nextSibling.string.split(' ')[0] actors_list = Actor.objects.filter(name = actors) if len(actors_list) == 1: actor = actors_list[0] new_movie.actors.add(actor) else: actor = Actor(name=actors) actor.save() new_movie.actors.add(actor) except: pass #tag tags = soup.find('div',attrs={'class':'blank20'}).findAll('a') for tag_html in tags: tag_str = tag_html.string if len(tag_str) > 4: continue tag_list = Tag.objects.filter(name = tag_str) if len(tag_list) == 1: tag = tag_list[0] new_movie.tags.add(tag) else: tag = Tag(name=tag_str) tag.save() new_movie.tags.add(tag) #try: #except Exception.args: # print "Could not download : %s" % args print r'download success'

 

 

 

豆瓣的电影页面并不是很对称，所以有时候抓取的结果可能会有点出入

 

 

抓取到的电影