python爬取百度学术文献搜索引擎_通用爬虫探索（一）：适用一般网站的爬虫

这是笔者参加今年的泰迪杯C题的论文简化版。虽然最后只评上了一个安慰奖，但个人感觉里边有些思路对爬虫工作还是有些参加价值的。所以还是放出来供大家参考一下。

简介#

一个爬虫可以分为两个步骤：1.把网页下载下来；2.从网页中把所需要的信息抽取出来。这两个步骤都存在相应的技术难点。对于第一个步骤，难度在于如何应对各大网站的反爬虫措施，如访问频率过高则封IP或者给出验证码等，这需要根据不同网站的不同反爬虫措施来设计，理论上不存在通用的可能性。对于第二个步骤，传统的做法是设计对应的正则表达式，随着网站设计上日益多样化，正则表达式的写法也相应变得困难。

显然，想要得到一个通用的爬虫方案，用传统的正则表达式的方案是相当困难的。但如果我们跳出正则表达式的思维局限，从全局的思维来看网站，结合DOM树来解析，那么可以得到一个相当通用的方案。因此，本文的主要内容，是围绕着爬虫的第二个步骤进行展开。本文的工作分为两个部分进行：首先，提出了一个适用于一般网站的信息抽取方案，接着，将这个方案细化，落实到论坛的信息抽取上。

流程#

看上去很高端，但事实上思想一句话就可以说完，那就是“做减法”：网页内容-网页模版=网页有效内容。网页模版怎么来？是同一网站的所有网页的交！

具体流程大概就是1、把待爬取网站的页面下载下来，并将其解析为DOM树；

2、比较若干个页面的DOM树，得到网站的基础模板；

3、以“深度优先”的方式遍历DOM树，给树的每个节点和叶子都编号；

4、将每个页面的DOM树与标准模板比较࿰