网络爬虫入门
一、初识网络爬虫
(一)网络爬虫定义
- 网络爬虫英文名叫Web Crawler戒Web
Spider。 - 它是一种自动浏览网页并采集所需要信
息癿程序。
互联网示意图
- 每个节点都是一个网页
- 每条边都是一个超链接
- 网络爬虫就是从这样一个网络图中抓取感兴趣的内容
(二)网络爬虫原理
- 爬虫从初始网页的URL开始, 获取初始网页上的URL;
- 在抓取网页的过程中, 丌断仍当前页面上抽取新的URL放入队列;
- 直到满足系统给定的停止条件
(三)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
(四)爬虫工作的过程
- URL管理模块:发起请求。一般是通过HTTP库,对目标站点进行请求。等同于自己打开浏览器,输入网址。
- 下载模块:获取响应内容(response)。如果请求的内容存在于服务器上,那么服务器会返回请求的内容,一般为:HTML,二进制文件(视频,音频),文档,Json字符串等。
- 解析模块:解析内容。对于用户而言,就是寻找自己需要的信息。对于Python爬虫而言,就是利用正则表达式或者其他库提取目标信息。
- 存储模块:保存数据。解析得到的数据可以多种形式,如文本,音频,视频保存在本地。
(五)爬虫分类
1.通用网络爬虫
- 通用网络爬虫又称全网爬虫(Scalable Web Crawler),
爬行对象从·一些种子 URL 扩充到整个 Web,主要为门户
站点搜索引擎和大型 Web 服务提供商采集数据。 - 通用网络爬虫根据预先设定的一个或若干初始种
子URL开始,以此获得初始网页上的URL列表,在
爬行过程中不断从URL队列中获一个的URL,进而
访问并下载该页面。
2.增量爬虫
- 增量式网络爬虫(Incremental Web Crawler)是 指 对 已 下 载 网 页 采
取增量式更新和只爬行新产生的或者已经发生发化网页的爬虫,它能够在一
定程度上保证所爬行的页面是尽可能新的页面。 - 增量式爬虫有两个目标:保持本地页面集中存储的页面为最新页面和提高
本地页面集中页面的质量。 - 通用的商业搜索引擎如谷歌,百度等,本质上都属亍增量爬虫。
3.垂直爬虫
- 垂直爬虫,又称为聚焦网络爬虫(Focused Crawler),或主题网络爬虫(Topical Crawler) -
- 是指选择性地爬行那些不预先定义好癿主题相关页
面的·网络爬虫。如Email地址、电子书、商品价格等。 - 爬行策略实现的关键是评价页面内容和链接的重要
性,不同的方法计算出的重要性不同,由此导致链
接的访问顺序也丌同
4.Deep Web爬虫
- Deep Web 是那些大部分内容不能通过静态链接获取的、隐藏在搜索表单后的,叧有用户提交一些关键词才能获得的 Web 页面。
- Deep Web 爬虫爬行过程中最重要部分就是表单填写,包含两种类型:
• 1) 基亍领域知识的表单填写
• 2) 基亍网页结构分析的表单填写
二、爬取南阳理工学院ACM题目网站 http://www.51mxd.cn/ 练习题目数据
(一)新建.py文件
import requests# 导入网页请求库
from bs4 import BeautifulSoup# 导入网页解析库
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')
for pages in tqdm(range(1, 11 + 1)):
# 传入URL
r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)
r.raise_for_status()
r.encoding = 'utf-8'
# 解析URL
soup = BeautifulSoup(r.text, 'html5lib')
#查找爬取与td相关所有内容
td = soup.find_all('td')
subject = []
for t in td:
if t.string is not None:
subject.append(t.string)
if len(subject) == 5:
subjects.append(subject)
subject = []
# 存放题目
with open('NYOJ_Subjects.csv', 'w', newline='') as file:
fileWriter = csv.writer(file)
fileWriter.writerow(csvHeaders)
fileWriter.writerows(subjects)
print('\n题目信息爬取完成!!!')
(二)爬取结果
点击运行后生成NYOJ_Subjects.csv文件,打开该文件
(三)代码分析
1.运行环境Python3.8
2.本次调用了 requests网页请求库和Beautiful Soup网页解析库
import requests# 导入网页请求库
from bs4 import BeautifulSoup# 导入网页解析库
3.定义访问浏览器所需的请求头和写入csv文件需要的表头以及存放题目数据的列表
# 模拟浏览器访问
# 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']#表头列表
# 题目数据
subjects = []#定义列表存放数据
4.根据表头csvHeaders中内容爬取信息,并在进度条中显示进度
# 爬取题目
print('题目信息爬取中:\n')
for pages in tqdm(range(1, 11 + 1)):#一页一页地爬取信息
# 传入URL
r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)
r.raise_for_status()
r.encoding = 'utf-8'#输出文档为utf-8编码
# 解析URL
soup = BeautifulSoup(r.text, 'html5lib')
#查找爬取与csvHeaders表头中相关所有内容
td = soup.find_all('td')
subject = []#新定义一个subject用来存放当前页面爬取的满足特征的信息
for t in td:
if t.string is not None:
subject.append(t.string)
if len(subject) == 5:#通过长度判断subject内容是否爬取到上面5项
subjects.append(subject)#把subject存放进上面的subjects中
subject = []#subject置空
5.把爬取内容存放文件NYOJ_Subjects.csv中
# 存放题目
with open('NYOJ_Subjects.csv', 'w', newline='') as file:
fileWriter = csv.writer(file)
fileWriter.writerow(csvHeaders)
fileWriter.writerows(subjects)
print('\n题目信息爬取完成!!!')
三、爬取重庆交通大学新闻网站中近几年所有的信息通知(http://news.cqjtu.edu.cn/xxtz.htm) 的发布日期和标题全部爬取
(一)确定爬取信息的位置
1.进入网站http://news.cqjtu.edu.cn/xxtz.htm
2.鼠标空白处点击
后选择检查N
3.可以观察到需要爬取时间和标题所在位置
(二)代码实现
# -*- coding: utf-8 -*-
"""
Created on Wed Nov 17 14:39:03 2021
@author: 86199
"""
import requests
from bs4 import BeautifulSoup
import csv
from tqdm import tqdm
import urllib.request, urllib.error # 制定URL 获取网页数据
# 所有新闻
subjects = []
# 模拟浏览器访问
Headers = { # 模拟浏览器头部信息
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36 Edg/95.0.1020.53"
}
# 表头
csvHeaders = ['时间', '标题']
print('信息爬取中:\n')
for pages in tqdm(range(1, 65 + 1)):
# 发出请求
request = urllib.request.Request(f'http://news.cqjtu.edu.cn/xxtz/{pages}.htm', headers=Headers)
html = ""
# 如果请求成功则获取网页内容
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
# 解析网页
soup = BeautifulSoup(html, 'html5lib')
# 存放一条新闻
subject = []
# 查找所有li标签
li = soup.find_all('li')
for l in li:
# 查找满足条件的div标签
if l.find_all('div',class_="time") is not None and l.find_all('div',class_="right-title") is not None:
# 时间
for time in l.find_all('div',class_="time"):
subject.append(time.string)
# 标题
for title in l.find_all('div',class_="right-title"):
for t in title.find_all('a',target="_blank"):
subject.append(t.string)
if subject:
print(subject)
subjects.append(subject)
subject = []
# 保存数据
with open('test.csv', 'w', newline='',encoding='utf-8') as file:
fileWriter = csv.writer(file)
fileWriter.writerow(csvHeaders)
fileWriter.writerows(subjects)
print('\n信息爬取完成!!!')
(三)运行结果
打开生成的test.csv文件如下
四、总结
网络爬虫需要一定的Web基础,需要分析所要获取的内容信息的存放位置后设置条件进行爬虫。Python中通过调用库来进行爬虫获取信息比较简单方便。