爬虫入门—网页信息爬取
一、网络爬虫简介
1.概念
网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
2.类型
网络爬虫按照系统结构和实现技术,大致可以分为以下几种类型:通用网络爬虫(General Purpose Web Crawler)、聚焦网络爬虫(Focused Web Crawler)、增量式网络爬虫(Incremental Web Crawler)、深层网络爬虫(Deep Web Crawler)。 实际的网络爬虫系统通常是几种爬虫技术相结合实现的。
3.使用范围
- 作为搜索引擎的网页搜集器,抓取整个互联网,如谷歌,百度等。
- 作为垂直搜索引擎,抓取特定主题信息,如视频网站,招聘网站等。
- 作为测试网站前端的检测工具,用来评价网站前端代码的健壮性。
4.合法性
Robots协议:又称机器人协议或爬虫协议,该协议就搜索引擎抓取网站内容的范围作了约定,包括网站是否希望被搜索引擎抓取,哪些内容不允许被抓取,网络爬虫据此“自觉地”抓取或者不抓取该网页内容。自推出以来Robots协议已成为网站保护自有敏感数据和网民隐私的国际惯例。
5.搜索策略
网页的抓取策略可以分为深度优先、广度优先和最佳优先三种。深度优先在很多情况下会导致爬虫的陷入(trapped)问题,目前常见的是广度优先和最佳优先方法。
6.基本结构
- URL管理模块
- 下载模块
- 解析模块
- 存储模块
二、环境准备
Anaconda的安装与配置:
史上最详细的Anaconda安装教程
需要安装的包:
requests、beautifulsoup4、html5lib
指令如下:
pip install beautifulsoup4
pip install requests
pip install html5lib
三、爬取南阳理工学院ACM题目网站
南阳理工学院ACM题目网站
通过查看网页源代码可知,我们所需要的题号、标题、通过率等数据都在图TD标签内
在网站页面按F12进入开发者模式,搜索框内输入td
显示有700多条相关数据
在自己需要的位置创建一个.csv文件
打开anaconda中的jupyter notebook进行编码
import requests
from bs4 import BeautifulSoup
import csv
from tqdm import tqdm
# 模拟浏览器访问
Headers = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400'
# 表头
csvHeaders = ['题号', '难度', '标题', '通过率', '通过数/总提交数']
# 题目数据
subjects = []
# 爬取题目
print('题目信息爬取中:\n')
# tqdm作业:以进度条方式显示爬取进度
# 爬取11页所有题目信息
for pages in tqdm(range(1, 11 + 1)):
# get请求第pages页
r = requests.get(f'http://www.51mxd.cn/problemset.php-page={
pages}