转自:http://www.lovelucy.info/python-crawl-pages.html
CUHK上学期有门课叫做Semantic Web,课程project是要搜集整个系里面的教授信息,输入到一个系统里,能够完成诸如“如果选了A教授的课,因时间冲突,B教授的哪些课不能选”、“和A教授实验室相邻的实验室都是哪些教授的”这一类的查询。这就是所谓的“语义网”了啊。。。然而最坑爹的是,所有这些信息,老师并没有给一个文档或者数据库,全要靠自己去系主页上搜集。唯一的想法是写个爬虫,令人悲哀的是,所有做这个project的同学,都是纯人肉手工完成,看得我只想扶墙。。。
从网页中抓取特定信息,我觉得这是一个普遍性的问题,以后经常会遇到。幸亏那个project只是需要我们系的所有教授的信息,大家人工也就算了。如果需要抓取的信息是海量的,举个栗子,把淘宝上所有的商品目录抓下来,那岂不是要吐血而亡?我决定好好把爬虫研究一下。
之前波波写过一个Java程序,利用HTML Parser去解析团购网站meituan.com然后把每天的团购信息存到数据库里。稍微改改再爬爬拉手糯米,做个前端,一个团购导航站就问世了。我把程序跑了一下,全自动搜集,不算太复杂。
但是,我觉得java太啰嗦,不够简洁。Python这个脚本语言开发起来速度很快,一个活生生的例子是因有关政策verycd开始自我阉割,有网友为了抢救资源,把整个verycd站爬了下来,镜像为SimpleCD.org。看了一下爬虫源代码,其实挺简单。使用方法:
- python sitecopy.py http://www.163.com
看看效果:http://www.lovelucy.info/demo/www.163.com
1. 获取html页面
其实,最基本的抓站,两句话就可以了
- import urllib2
- content = urllib2.urlopen('http://XXXX').read()
这样可以得到整个html文档,关键的问题是我们可能需要从这个文档中获取我们需要的有用信息,而不是整个文档。这就需要解析充满了各种标签的html。
2. 解析html
SGMLParser
Python默认自带HTMLParser以及SGMLParser等等解析器,前者实在是太难用了,我就用SGMLParser写了一个示例程序:
- import urllib2
- from sgmllib import SGMLParser
- class ListName(SGMLParser):
- def __init__(self):
- SGMLParser.__init__(self)
- self.is_h4 = ""
- self.name = []
- def start_h4(self, attrs):
- self.is_h4 = 1
- def end_h4(self):
- self.is_h4 = ""
- def handle_data(self, text):
- if self.is_h4 == 1:
- self.name.append(text)
- content = urllib2.urlopen('http://list.taobao.com/browse/cat-0.htm').read()
- listname = ListName()
- listname.feed(content)
- for item in listname.name:
- print item.decode('gbk').encode('utf8')
注意:我的电脑是win7中文系统,为了避免出现乱码,最后一行使用
- for item in listname.name:
- print item
很简单,这里定义了一个叫做ListName的类,继承SGMLParser里面的方法。使用一个变量is_h4做标记判定html文件中的h4标签,如果遇到h4标签,则将标签内的内容加入到List变量name中。解释一下start_h4()和end_h4()函数,他们原型是SGMLParser中的
start_tagname(self, attrs)
end_tagname(self)
tagname就是标签名称,比如当遇到<pre>,就会调用start_pre,遇到</pre>,就会调用 end_pre。attrs为标签的参数,以[(attribute, value), (attribute, value), ...]的形式传回。
输出:
如果有乱码,可能是与网页编码不一致,需要替换最后一句deconde()的参数,我在HK淘宝默认用的是繁体编码。各位可以copy上面的代码自己试试,把淘宝的商品目录抓下来,就是这么简单。稍微改改,就可以抽取二级分类等其他信息。
pyQuery
pyQuery是jQuery在python中的实现,能够以jQuery的语法来操作解析HTML文档,十分方便。使用前需要安装,easy_install pyquery即可,或者Ubuntu下
- sudo apt-get install python-pyquery
以下例子:
- from pyquery import PyQuery as pyq
- doc=pyq(url=r'http://list.taobao.com/browse/cat-0.htm')
- cts=doc('.market-cat')
- for i in cts:
- print '====',pyq(i).find('h4').text() ,'===='
- for j in pyq(i).find('.sub'):
- print pyq(j).text() ,
- print '\n'
BeautifulSoup
有个头痛的问题是,大部分的网页都没有完全遵照标准来写,各种莫名其妙的错误令人想要找出那个写网页的人痛打一顿。为了解决这个问题,我们可以选择著名的BeautifulSoup来解析html文档,它具有很好的容错能力。
BeautifulSoup功能强大,我还在研究中,有进展会更新本文。