以下内容参考自:http://www.imooc.com/learn/563
《Python开发简单爬虫》
写在前面:花了两天的时间学习《Python开发简单爬虫》,将视频的主要内容保存成文字,供自己复习。版权归慕课网和讲视频的老师所有。
一、爬虫简介
爬虫:一段自动抓取互联网信息的程序
爬虫可以从一个url出发,访问其所关联的所有的url。并从每个url指向的网页中,获取我们所需要的信息。
二、简单爬虫架构
1.Python简单爬虫架构
(1)爬虫调度端:启动爬虫、停止爬虫、监视爬虫的运行情况。
(2)在爬虫程序中,有三个模块:
1)Url管理器:管理将要爬取的url和已经爬取的url。将待爬取的url传送给网页下载器。
2)网页下载器:将Url指定的网页下载下来,保存为一个字符串。将这个字符串传送给网页解析器进行解析。
3)网页解析器:一方面,会解释出有价值的数据;另一方面,解析出字符串中的url,将其补充到url管理器。
这三个模块,形成了一个循环。只有有未爬取的url,这个循环就会一直继续下去。
2.Python简单爬虫架构的动态运行流程
三、分别讲解各模块设计思路
1.URL管理器
作用:管理待抓取URL集合和已抓取URL集合
目的:防止重复抓取、防止循环抓取
实现方式:
在这里,我们选用Python的set()来实现小型的url管理器
2.网页下载器
作用:将互联网上URL对应的网页下载到本地的工具
工作流程:
实现方式:
在这里,我们选择urllib2这个简单的模块,来实现代码的下载。
使用urllib2下载网页的三种方法:
3.网页解析器<span style="font-size:12px;">#coding:utf8 import urllib2 import cookielib url = "http://www.baidu.com" print "first method" response1 = urllib2.urlopen(url) #if 200,succeed print response1.getcode() print len(response1.read()) print "second method" request = urllib2.Request(url); request.add_header("user_agent","Mozilla/5.0") response2 = urllib2.urlopen(request) print response2.getcode() print len(response2.read()) print "three method" cj = cookielib.CookieJar() opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj)) urllib2.install_opener(opener) response3 = urllib2.urlopen(url) print response3.getcode() print cj print len(response3.read())</span>
作用:从网页中提取有价值的数据
从下载好的html网页或者字符串中,可以提取出url、有价值的数据。
类型:正则表达式、html.parser、BeautifulSoup、lxml
其中,BeautifulSoup这个第三方插件可以使用html.parser和lxml作为它的解析器。
其中,正则表达式是模糊匹配,另外三种则是结构化的解析。
附,结构化解析:
四、实战:使用Python爬虫抓取百度百科的1000个页面
1.分析目标
目标:百度百科Python词条相关词条网页-标题和简介
入口页:http://baike.baidu.com/view/21087.htm
URL格式:
--词条页面URL:/view/21087.htm
数据格式:
--标题:<dd class="lemmaWgt-lemmaTitle-title"><h1>***</h1></dd>
--简介:<div class="lemma-summary" label-module="lemmaSummary">***</div>
页面编码:UTF-8
2.调度程序
程序目录:
spider_main.py:
3.URL管理器<span style="font-size:12px;"># coding:utf8 from baike_spider import url_manager, html_downloader, html_parser,\ html_outputer class SpiderMain(object): def __init__(self): self.urls = url_manager.UrlManager() self.downloader = html_downloader.HtmlDownloader() self.parser = html_parser.HtmlParser() self.outputer = html_outputer.HtmlOutputer() def craw(self, root_url): count = 1 self.urls.add_new_url(root_url) while self.urls.has_new_url(): try: new_url = self.urls.get_new_url() print 'crow %d : %s' % (count, new_url) html_cont = self.downloader.download(new_url) new_urls, new_data = self.parser.parse(new_url, html_cont) self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) if count == 1000: break count = count + 1 except: print 'craw failed' self.outputer.output_html() if __name__ == "__main__": root_url = "http://baike.baidu.com/view/21087.htm" obj_spider = SpiderMain() obj_spider.craw(root_url) </span>
url_manager.py:<span style="font-size:12px;"># coding:utf8 class UrlManager(object): def __init__(self): self.new_urls = set() self.old_urls = set() def add_new_url(self, url): if url is None: return if url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) def add_new_urls(self, urls): if urls is None or len(urls) == 0: return for url in urls: self.add_new_url(url) def has_new_url(self): return len(self.new_urls) != 0 def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url </span>
4.HTML下载器
html_downloader.py:
<span style="font-size:12px;"># coding:utf8 import urllib2 class HtmlDownloader(object): def download(self,url): if url is None: return None response = urllib2.urlopen(url) if response.getcode() != 200: return None return response.read() </span>
5.HTML解析器:
html_parser.py:
<span style="font-size:12px;"># coding:utf8 from bs4 import BeautifulSoup import re; import urlparse class HtmlParser(object): def _get_new_urls(self, page_url, soup): new_urls = set() # /view/123.htm links = soup.find_all('a',href=re.compile(r"/view/\d+\.htm") ) for link in links: new_url = link['href'] new_full_url = urlparse.urljoin(page_url, new_url) new_urls.add(new_full_url) return new_urls def _get_new_data(self, page_url, soup): res_data = {} #url,current url res_data['url'] = page_url #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1> title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1') res_data['title'] = title_node.get_text() #<div class="lemma-summary" label-module="lemmaSummary"> summary_node = soup.find('div', class_="lemma-summary") res_data['summary'] = summary_node.get_text() return res_data def parse(self, page_url, html_cont): if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8') new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup) return new_urls, new_data </span>
6.HTML输出器:
html_outputer.py:
以上就是完整的实现代码啦。<span style="font-size:12px;"># coding:utf8 class HtmlOutputer(object): def __init__(self): self.datas = [] def collect_data(self, data): if data is None: return self.datas.append(data) #print data def output_html(self): fout = open('output.html', 'w') fout.write('<html>') fout.write("<head><meta charset='utf-8'></head>") fout.write('<body>') fout.write('<table>') for data in self.datas: fout.write('<tr>') fout.write('<td>%s</td>' % data['url']) fout.write('<td>%s</td>' % data['title'].encode('utf-8')) fout.write('<td>%s</td>' % data['summary'].encode('utf-8')) fout.write('</tr>') fout.write('</table>') fout.write('</body>') fout.write('</html>') fout.close() </span>
五、运行结果
首先,在console中会打印出相应信息。
同时,还会输出一个html。
至此,结束。整个工程代码如下:
python爬虫-抓取百度百科页面