爬虫,相信很多人都听过这个东西,但是更多的人可能不会用。现在我就写一个简单的介绍,让大家用这个嘿嘿嘿的东西,去做一些嘿嘿嘿的事情。
首先,爬虫是一段一般由python语言编写的程序。
爬虫,即网络爬虫,大家可以理解为在网络上爬行的一直蜘蛛,互联网就比作一张大网,而爬虫便是在这张网上爬来爬去的蜘蛛咯,如果它遇到资源,那么它就会抓取下来。想抓取什么?这个由你来控制它咯。
比如它在抓取一个网页,在这个网中他发现了一条道路,其实就是指向网页的超链接,那么它就可以爬到另一张网上来获取数据。这样,整个连在一起的大网对这之蜘蛛来说触手可及,分分钟爬下来不是事儿。
没看懂没关系,类比一下搜索引擎,爬虫就比这个要高端那么一点点,别告诉我不知道搜索引擎是什么,百度,谷歌就是搜索引擎,是一个网址,而浏览器可以理解为一个软件。而爬虫就是可以自动获取网页内容的程序。
好的,看不懂就这样吧,只要知道爬虫是自动的,很方便就行了,具体的可以去北半球论坛www.markbj.com去看一下。
然后,爬虫可以干什么和怎么干才是大家关心的问题。
那么怎样通过一个爬虫扒一个URL(即网址)呢,只需要写一段程序就行了,对于简单使用这样的程序是很简单的。根据所需要的去找就行了。举个例子,爬取百度贴吧的帖子。
URL 格式的确定
首先,我们先观察一下百度贴吧的任意一个帖子。
比如:http://tieba.baidu.com/p/3138733512?see_lz=1&pn;=1,这是一个关于 NBA50 大的盘点,分析一下这个地址。
1. http:// 代表资源传输使用http协议
2. tieba.baidu.com 是百度的二级域名,指向百度贴吧的服务器。
3. /p/3138733512 是服务器某个资源,即这个帖子的地址定位符
4. see_lz和pn是该URL的两个参数,分别代表了只看楼主和帖子页码,等于1表示该条件为真
所以我们可以把 URL 分为两部分,一部分为基础部分,一部分为参数部分。
例如,上面的URL我们划分基础部分是 http://tieba.baidu.com/p/3138733512,参数部分是 ?see_lz=1&pn=1
好的,如果看不懂,请略过,到下一阶段。
页面的抓取
熟悉了 URL 的格式,那就让我们用 urllib2 库来试着抓取页面内容吧。这次我们直接尝试一下,定义一个类名叫 BDTB(百度贴吧),一个初始化方法,一个获取页面的方法。
其中,有些帖子我们想指定给程序是否要只看楼主,所以我们把只看楼主的参数初始化放在类的初始化上,即 init 方法。另外,获取页面的方法我们需要知道一个参数就是帖子页码,所以这个参数的指定我们放在该方法中。
综上,我们初步构建出基础代码如下:
1. \_\_author\_\_ = 'CQC'
2. \# -*- coding:utf-8 -*-
3. import urllib
4. import urllib2
5. import re
6.
7. \#百度贴吧爬虫类
8. class BDTB:
9.
10. \#初始化,传入基地址,是否只看楼主的参数
11. def __init__(self,baseUrl,seeLZ):
12. self.baseURL = baseUrl
13. self.seeLZ = '?see_lz='+str(seeLZ)
14.
15. \#传入页码,获取该页帖子的代码
16. def getPage(self,pageNum):
17. try:
18. url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
19. request = urllib2.Request(url)
20. response = urllib2.urlopen(request)
21. print response.read()
22. return response
23. except urllib2.URLError, e:
24. if hasattr(e,"reason"):
25. print u"连接百度贴吧失败,错误原因",e.reason
26. return None
27.
28. baseURL = 'http://tieba.baidu.com/p/3138733512'
29. bdtb = BDTB(baseURL,1)
30. bdtb.getPage(1)
运行代码,我们可以看到屏幕上打印出了这个帖子第一页楼主发言的所有内容,形式为 HTML 代码。
提取相关信息
提取帖子标题
首先,让我们提取帖子的标题。
在浏览器中审查元素,或者按 F12,查看页面源代码,我们找到标题所在的代码段,可以发现这个标题的 HTML 代码是
1. <h1 class="core_title_txt " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50大</h1>
所以我们想提取
标签中的内容,同时还要指定这个 class 确定唯一,因为 h1 标签实在太多啦。
正则表达式如下
1. <h1 class="core_title_txt.*?>(.*?)</h1>
所以,我们增加一个获取页面标题的方法
1. \#获取帖子标题
2. def getTitle(self):
3. page = self.getPage(1)
4. pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
5. result = re.search(pattern,page)
6. if result:
7. #print result.group(1) #测试输出
8. return result.group(1).strip()
9. else:
10. return None
提取帖子页数
同样地,帖子总页数我们也可以通过分析页面中的共?页来获取。所以我们的获取总页数的方法如下
1. \#获取帖子一共有多少页
2. def getPageNum(self):
3. page = self.getPage(1)
4. pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
5. result = re.search(pattern,page)
6. if result:
7. #print result.group(1) #测试输出
8. return result.group(1).strip()
9. else:
10. return None
提取正文内容
审查元素,我们可以看到百度贴吧每一层楼的主要内容都在
标签里面,所以我们可以写如下的正则表达式
1. <div id="post_content_.*?>(.*?)</div>
相应地,获取页面所有楼层数据的方法可以写成如下方法
1. \#获取每一层楼的内容,传入页面内容
2. def getContent(self,page):
3. pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
4. items = re.findall(pattern,page)
5. for item in items:
6. print item
好,我们运行一下结果看一下
真是醉了,还有一大片换行符和图片符,好口怕!既然这样,我们就要对这些文本进行处理,把各种各样复杂的标签给它剔除掉,还原精华内容,把文本处理写成一个方法也可以,不过为了实现更好的代码架构和代码重用,我们可以考虑把标签等的处理写作一个类。
那我们就叫它 Tool(工具类吧),里面定义了一个方法,叫 replace,是替换各种标签的。在类中定义了几个正则表达式,主要利用了 re.sub 方法对文本进行匹配后然后替换。具体的思路已经写到注释中,大家可以看一下这个类
1. import re
2.
3. \#处理页面标签类
4. class Tool:
5. \#去除img标签,7位长空格
6. removeImg = re.compile('<img.*?>| {7}|')
7. \#删除超链接标签
8. removeAddr = re.compile('<a.*?>|</a>')
9. \#把换行的标签换为\n
10. replaceLine = re.compile('<tr>|<div>|</div>|</p>')
11. \#将表格制表<td>替换为\t
12. replaceTD= re.compile('<td>')
13. \#把段落开头换为\n加空两格
14. replacePara = re.compile('<p.*?>')
15. \#将换行符或双换行符替换为\n
16. replaceBR = re.compile('<br><br>|<br>')
17. \#将其余标签剔除
18. removeExtraTag = re.compile('<.*?>')
19. def replace(self,x):
20. x = re.sub(self.removeImg,"",x)
21. x = re.sub(self.removeAddr,"",x)
22. x = re.sub(self.replaceLine,"\n",x)
23. x = re.sub(self.replaceTD,"\t",x)
24. x = re.sub(self.replacePara,"\n ",x)
25. x = re.sub(self.replaceBR,"\n",x)
26. x = re.sub(self.removeExtraTag,"",x)
27. \#strip()将前后多余内容删除
28. return x.strip()
在使用时,我们只需要初始化一下这个类,然后调用 replace 方法即可。
现在整体代码是如下这样子的,现在我的代码是写到这样子的
1. __author__ = 'CQC'
2. \# -*- coding:utf-8 -*-
3. import urllib
4. import urllib2
5. import re
6.
7. \#处理页面标签类
8. class Tool:
9. \#去除img标签,7位长空格
10. removeImg = re.compile('<img.*?>| {7}|')
11. \#删除超链接标签
12. removeAddr = re.compile('<a.*?>|</a>')
13. \#把换行的标签换为\n
14. replaceLine = re.compile('<tr>|<div>|</div>|</p>')
15. \#将表格制表<td>替换为\t
16. replaceTD= re.compile('<td>')
17. \#把段落开头换为\n加空两格
18. replacePara = re.compile('<p.*?>')
19. \#将换行符或双换行符替换为\n
20. replaceBR = re.compile('<br><br>|<br>')
21. \#将其余标签剔除
22. removeExtraTag = re.compile('<.*?>')
23. def replace(self,x):
24. x = re.sub(self.removeImg,"",x)
25. x = re.sub(self.removeAddr,"",x)
26. x = re.sub(self.replaceLine,"\n",x)
27. x = re.sub(self.replaceTD,"\t",x)
28. x = re.sub(self.replacePara,"\n ",x)
29. x = re.sub(self.replaceBR,"\n",x)
30. x = re.sub(self.removeExtraTag,"",x)
31. \#strip()将前后多余内容删除
32. return x.strip()
33.
34. \#百度贴吧爬虫类
35. class BDTB:
36.
37. \#初始化,传入基地址,是否只看楼主的参数
38. def __init__(self,baseUrl,seeLZ):
39. self.baseURL = baseUrl
40. self.seeLZ = '?see_lz='+str(seeLZ)
41. self.tool = Tool()
42. \#传入页码,获取该页帖子的代码
43. def getPage(self,pageNum):
44. try:
45. url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
46. request = urllib2.Request(url)
47. response = urllib2.urlopen(request)
48. return response.read().decode('utf-8')
49. except urllib2.URLError, e:
50. if hasattr(e,"reason"):
51. print u"连接百度贴吧失败,错误原因",e.reason
52. return None
53.
54. \#获取帖子标题
55. def getTitle(self):
56. page = self.getPage(1)
57. pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
58. result = re.search(pattern,page)
59. if result:
60. #print result.group(1) #测试输出
61. return result.group(1).strip()
62. else:
63. return None
64.
65. \#获取帖子一共有多少页
66. def getPageNum(self):
67. page = self.getPage(1)
68. pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
69. result = re.search(pattern,page)
70. if result:
71. #print result.group(1) #测试输出
72. return result.group(1).strip()
73. else:
74. return None
75.
76. \#获取每一层楼的内容,传入页面内容
77. def getContent(self,page):
78. pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
79. items = re.findall(pattern,page)
80. #for item in items:
81. # print item
82. print self.tool.replace(items[1])
83.
84. baseURL = 'http://tieba.baidu.com/p/3138733512'
85. bdtb = BDTB(baseURL,1)
86. bdtb.getContent(bdtb.getPage(1))
我们尝试一下,重新再看一下效果,这下经过处理之后应该就没问题了,是不是感觉好酸爽!
替换楼层
至于这个问题,我感觉直接提取楼层没什么必要呀,因为只看楼主的话,有些楼层的编号是间隔的,所以我们得到的楼层序号是不连续的,这样我们保存下来也没什么用。
所以可以尝试下面的方法:
1. 每打印输出一段楼层,写入一行横线来间隔,或者换行符也好。
2. 试着重新编一个楼层,按照顺序,设置一个变量,每打印出一个结果变量加一,打印出这个变量当做楼层。
这里我们尝试一下吧,看看效果怎样
把 getContent 方法修改如下
1. \#获取每一层楼的内容,传入页面内容
2. def getContent(self,page):
3. pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
4. items = re.findall(pattern,page)
5. floor = 1
6. for item in items:
7. print floor,u"楼------------------------------------------------------------------------------------------------------------------------------------\n"
8. print self.tool.replace(item)
9. floor += 1
运行一下看看效果
嘿嘿,效果还不错吧,感觉真酸爽!接下来我们完善一下,然后写入文件
写入文件
最后便是写入文件的过程,过程很简单,就几句话的代码而已,主要是利用了以下两句
1. file = open(“tb.txt”,”w”)
2. file.writelines(obj)
这里不再赘述,稍后直接贴上完善之后的代码。
完善代码
现在我们对代码进行优化,重构,在一些地方添加必要的打印信息,整理如下
1. __author__ = 'CQC'
2. \# -*- coding:utf-8 -*-
3. import urllib
4. import urllib2
5. import re
6.
7. \#处理页面标签类
8. class Tool:
9. \#去除img标签,7位长空格
10. removeImg = re.compile('<img.*?>| {7}|')
11. \#删除超链接标签
12. removeAddr = re.compile('<a.*?>|</a>')
13. \#把换行的标签换为\n
14. replaceLine = re.compile('<tr>|<div>|</div>|</p>')
15. \#将表格制表<td>替换为\t
16. replaceTD= re.compile('<td>')
17. \#把段落开头换为\n加空两格
18. replacePara = re.compile('<p.*?>')
19. \#将换行符或双换行符替换为\n
20. replaceBR = re.compile('<br><br>|<br>')
21. \#将其余标签剔除
22. removeExtraTag = re.compile('<.*?>')
23. def replace(self,x):
24. x = re.sub(self.removeImg,"",x)
25. x = re.sub(self.removeAddr,"",x)
26. x = re.sub(self.replaceLine,"\n",x)
27. x = re.sub(self.replaceTD,"\t",x)
28. x = re.sub(self.replacePara,"\n ",x)
29. x = re.sub(self.replaceBR,"\n",x)
30. x = re.sub(self.removeExtraTag,"",x)
31. \#strip()将前后多余内容删除
32. return x.strip()
33.
34. \#百度贴吧爬虫类
35. class BDTB:
36.
37. #初始化,传入基地址,是否只看楼主的参数
38. def __init__(self,baseUrl,seeLZ,floorTag):
39. \#base链接地址
40. self.baseURL = baseUrl
41. \#是否只看楼主
42. self.seeLZ = '?see_lz='+str(seeLZ)
43. \#HTML标签剔除工具类对象
44. self.tool = Tool()
45. \#全局file变量,文件写入操作对象
46. self.file = None
47. \#楼层标号,初始为1
48. self.floor = 1
49. \#默认的标题,如果没有成功获取到标题的话则会用这个标题
50. self.defaultTitle = u"百度贴吧"
51. \#是否写入楼分隔符的标记
52. self.floorTag = floorTag
53.
54. \#传入页码,获取该页帖子的代码
55. def getPage(self,pageNum):
56. try:
57. \#构建URL
58. url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
59. request = urllib2.Request(url)
60. response = urllib2.urlopen(request)
61. \#返回UTF-8格式编码内容
62. return response.read().decode('utf-8')
63. \#无法连接,报错
64. except urllib2.URLError, e:
65. if hasattr(e,"reason"):
66. print u"连接百度贴吧失败,错误原因",e.reason
67. return None
68.
69. \#获取帖子标题
70. def getTitle(self,page):
71. \#得到标题的正则表达式
72. pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
73. result = re.search(pattern,page)
74. if result:
75. \#如果存在,则返回标题
76. return result.group(1).strip()
77. else:
78. return None
79.
80. \#获取帖子一共有多少页
81. def getPageNum(self,page):
82. \#获取帖子页数的正则表达式
83. pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
84. result = re.search(pattern,page)
85. if result:
86. return result.group(1).strip()
87. else:
88. return None
89.
90. \#获取每一层楼的内容,传入页面内容
91. def getContent(self,page):
92. \#匹配所有楼层的内容
93. pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
94. items = re.findall(pattern,page)
95. contents = []
96. for item in items:
97. \#将文本进行去除标签处理,同时在前后加入换行符
98. content = "\n"+self.tool.replace(item)+"\n"
99. contents.append(content.encode('utf-8'))
100. return contents
101.
102. def setFileTitle(self,title):
103. \#如果标题不是为None,即成功获取到标题
104. if title is not None:
105. self.file = open(title + ".txt","w+")
106. else:
107. self.file = open(self.defaultTitle + ".txt","w+")
108.
109. def writeData(self,contents):
110. \#向文件写入每一楼的信息
111. for item in contents:
112. if self.floorTag == '1':
113. \#楼之间的分隔符
114. floorLine = "\n" + str(self.floor) + u"-----------------------------------------------------------------------------------------\n"
115. self.file.write(floorLine)
116. self.file.write(item)
117. self.floor += 1
118.
119. def start(self):
120. indexPage = self.getPage(1)
121. pageNum = self.getPageNum(indexPage)
122. title = self.getTitle(indexPage)
123. self.setFileTitle(title)
124. if pageNum == None:
125. print "URL已失效,请重试"
126. return
127. try:
128. print "该帖子共有" + str(pageNum) + "页"
129. for i in range(1,int(pageNum)+1):
130. print "正在写入第" + str(i) + "页数据"
131. page = self.getPage(i)
132. contents = self.getContent(page)
133. self.writeData(contents)
134. \#出现写入异常
135. except IOError,e:
136. print "写入异常,原因" + e.message
137. finally:
138. print "写入任务完成"
139.
140. print u"请输入帖子代号"
141. baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))
142. seeLZ = raw_input("是否只获取楼主发言,是输入1,否输入0\n")
143. floorTag = raw_input("是否写入楼层信息,是输入1,否输入0\n")
144. bdtb = BDTB(baseURL,seeLZ,floorTag)
145. bdtb.start()
现在程序演示如下
完成之后,可以查看一下当前目录下多了一个以该帖子命名的 txt 文件,内容便是帖子的所有数据。
抓贴吧,就是这么简单和任性!(转自北半球论坛)
好的,以上内容看起来稍稍复杂了一点,但是操作是很容易的,有点基础的朋友们,照着打就行了。
你告诉我没有基础,好的,为了方便这样的人群。则会有一些软件应运而生。哈
1. 选中提取数据,在右边的窗口内,删除或增加要提取的数据内容,如果要增加,在窗口下方的浏览器上,直接选中要提取的数据,抓取对应的内容即可。修改完成后点击保存。
2.
3.
登陆软件,先去规则市场内搜索相关规则,找到后直接下载就行了
这个很简单的。
网上去找了几个图,看一下就行,别问我要账号。
爬虫呢,爬爬淘宝,百度,微信还是很实用的。当然,爬些小电影,咳咳,嗯。各位加油。
再安利一个北半球社区www.markbj.com,适合一些初中级的程序猿学习,也适合大牛的交流,可以去看一下,毕竟三两句话说不清楚。