掌握爬虫是很有用的技能,也是python中非常受欢迎的一种应用。
“学会爬虫,我们就掌握了整个世界”,虽然没有这么夸张,但确实可以通过爬虫去爬取很多你所需要的数据。
本章节仅介绍轻量级爬虫的开发(其实都是自己在学习过程中的笔记)
爬虫:一段自动抓取互联网信息的程序
URL管理器:管理待抓取URL集合和已抓取URL集合
——防止重复抓取、防止循环抓取
网页下载器(爬虫的核心):将互联网上URL对应的网页下载到本地的工具
Python网页下载器有以下两种
urllib2:Python官方基础模块
requests:第三方包(更强大)
urllib2下载网页方法1(最简洁方法)
import urllib2
#直接请求
response = urllib2.urlopen('http://www.baidu.com')
#获取状态码,如果是200表示获取成功
print response.getcode()
#读取内容
cont = response.read()
urllib2下载网页方法2:添加data、http header
import urllib2
#创建Request对象
request = urllib2.Request(url)
#添加数据
request.add_data('a', '1')
#添加http的header
request.add_header('User-Agent', 'Mozilla/5.0')
#发送请求获取结果
response = urllib2.urlopen(request)
urllib2下载网页方法3:添加特殊情景的处理器
HTTPCookieProcessor ProxyHandler HTTPSHandler HTTPRedirectHandler
import urllib2, cookielib
#创建cookie容器
cj = cookielib.CookieJar()
#创建1个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
#给urllib2安装opener
urllib2.install_opener(opener)
#使用带有cookie的urllib2访问网页
response = urllib2.urlopen("http://www.baidu.com/")
Python网页解析器:从网页中提取有价值数据的工具
以下是四种Python网页解析器
正则表达式 html.parser Beautiful Soup lxml
结构化解析-DOM(Document Object Model)数,以树的方式进行上下级元素的遍历和访问
Beautiful Soup:Python第三方库,用于从HTML或XML中提取数据
官网: http://www.crummy.com/software/BeautifulSoup/
from bs4 import BeautifulSoup
#根据HTML网页字符串创建BeautifulSoup对象
soup = BeautifulSoup(
html_doc, #HTML文档字符串
'html.parser', #HTML解析器
from_encoding = utf8 #HTML文档的编码
)
下面我们来实际进行一个项目
if __name__"__main__":
root_url = "http://baike.daidu.com/view/21084.htm" #入口url
obj_spider = SpiderMain() #爬虫入口
obj_spider.craw(root_url) #启动爬虫
class SpiderMain(object):
def __init__(self):
self.urls = urls_manager.UrlManager()
self.downloader = html_parser.HtmlParser()
self.parser = html_parser.HtmlParser()
self.outputer = html_outputer.HtmlOutputer()
def craw(self, root_url):
count = 1 #用来记录当前爬取的是第几个url
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try: #异常处理
new_url = self.urls.get_new_url()
print 'craw %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: #只爬取1000个页面
break
count++
except:
print 'craw failed'
self.outputer.output_html()
class UrlManager(object): #管理器
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
class HtmlDownloader(object): #下载器
def download(self, url):
if url is None:
return None
response = urllib2.urlopen(url)
if response.getcode() != 200:
return None
return response.read()
import Beautiful
import urlparser
class HtmlParser(object): #解析器
def _get_new_urls(self, page_url, soup):
new_urls = set()
links = soup.find_add('a', href = re.compile(r"view/\d+\.htm"))
for link in links:
new_url = link['href']
new_full_url = urlparser.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
res_data['url'] = page_url
#<dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1>
title_node = soup.find('dd', class = "lemmaWgt-lemmaTitle-title").find("hi")
res_data['title'] = title_node.get_text()
#<div class="lemma-summary">
summary_node = soup.find('div', class_="lemma-summary")
res_data['summary'] = summary_node.get_text()
return res_url
def parse(self, page_url, html_cont):
if page_url is None or html_cont in 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
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self):
if data in None:
return
self.datas.append(data)
def output_html(self):
fout open('output.html', 'w') #新建一个输出的文件
fout.write("<html>") #以html格式输出文档
fout.write("<body>")
fout.write("<table>") #建立表格
#python默认编码 ascll 换编码方式可以输出 .encode('utf-8')
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("<html>")
fout.write("<body>")
fout.write("<table>")
fout.close()
可能需要稍加改动,不过应该import一些包就可以运行了。
可以试着尝试一下,并且再写的过程中可以感受到这种编程方式和代码风格比较直观,也很好理解
其实爬虫的内容还有很多,这只是一个很简单的入门级例子,学习到后面可以爬取很多你想要的内容,当然也会遇到很多问题,解决了这样那样的问题,你就会发现爬虫的乐趣。
加油,共勉!!