以抓取百度首页,并提取页面的标题为例,示范如何抓取一个网页并处理其中的数据。
我的目标是抓取自己喜欢的百度小说类贴吧中的更新帖。由于对 Python 和 网络爬虫都不怎么熟悉,所以先抓取百度首页试一下手。
Python 版本:3.4.3
网络爬虫的组成
一个网络爬虫程序应该由三部分组成:
* 网页抓取:人工输入首页地址
* 网页分析与内容提取:
* 提取新的 url:由于我的目标是抓取百度贴吧的小说内容,所以这部分主要是识别哪个帖子是更新帖,本文不涉及。
* 提取所需内容:提取主楼小说内容,本文不涉及
* 内容保存:保存成 txt 文档,既方便追小说,也方便处理。
网页抓取
抓取网页的代码很简单,但是如果调用了print()
函数,然后在 Win7 的命令行窗口调试的话,会出现各种令人烦躁的字符编解码错误。当然可以将数据编码为gb18030
以便 Win7 命令行能够识别。但我觉得更好的解决方法是在IDLE
中调试,或者使用utf-8
编码将数据保存成文件后查看文件。
def catchUrl(url):
mUrl = url
# data 是使用 utf-8 解码后的字符串
data = urllib.request.urlopen(mUrl, timeout = 2).read().decode('utf-8')
# data 是网页的二进制源码,如果要保持最大的灵活性,这里可以选择保存二进制
# data = urllib.request.urlopen(mUrl, timeout = 2).read()
return data
内容提取
这里仅仅是提取百度首页的标题。
def getTitle(data):
pattern = re.compile('<title>(.*?)</title>')
for x in pattern.findall(data):
# 这里只返回匹配到的第一个数据
return x
文件保存
将传过来的内容按照utf-8
编码保存
def saveFile(data, file = './example.txt'):
save_path = file
f_obj = open(save_path, 'w', encoding="UTF-8")
# f_obj = open(save_path, 'wb') # 保存二进制文件时不用指定文件编码
f_obj.write(data)
f_obj.close()
主程序
data = catchUrl("http://www.baidu.com/")
data = getTitle(data)
saveFile(data, './result.txt')
分析结果保存在当前目录的 result.txt 文件中。完整程序参见我的 Github
其它
参考
更新记录
2015-04-12 初稿
版权信息
自由转载-非商用-非衍生-保持署名(知识共享 Attribution-NonCommercial-NoDerivatives 4.0 国际许可协议)