《用Python写网络爬虫》--编写第一个网络爬虫

编写第一个python网络爬虫

为了抓取网页，首先要下载包含有感兴趣数据的网页，该过程一般被称为爬取(crawing)。
本文主要介绍了利用sitemap文件，遍历ID，跟踪网页的方法获取网页内容。

下载网页

想要爬取网页，我们首先要将其下载下来。下载的脚本如下：

import urllib2
def download(url):
    return urllib2.urlopen(url).read()

当传入URL地址时，该函数将会下载并返回其HTML。
不过这个代码片存在一点问题，假如URL地址不存在时，urllib2就会抛出异常。改进的版本为：

import urllib2
def download(url):
    try:
        html=urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Downloading error:',e.reason
        html=None
    return html
print download('http://www.sse.com.cn')

下载时遇到的错误经常是临时性的，比如服务器过载时返回的503错误，对于此类错误，重新下载即可，下面是添加重新重新下载功能的代码：

import urllib2
def download(url,num_reload=5):
    try:
        html=urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Downloading error:',e.reason
        html = None
        if num_reload>0 and ( hasattr(e,'code') and 500<=e.code<=600 ):
            return download(url,num_reload-1)
    return html

download('http://httpstat.us/500')

下面的这步可略过：

设置用户代理

默认情况下，urllib2使用Python-urllib2/2.7作为用户代理下载网页内容，其中2.7是python的版本号。

import urllib2
def download(url,user_agent='wswp',num_reload=5):
    headers={'User-agent':user_agent}
    request=urllib2.Request(url,headers=headers)
    try:
        html=urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print 'Downloading error:',e.reason
        html = None
        if num_reload>0 and ( hasattr(e,'code') and 500<=e.code<=600 ):
            return download(url,user_agent,num_reload-1)
    return html

download('http://httpstat.us/500')

现在，我们有了一个灵活的函数，可以设置用户代理，设置重试次数。

网站地图爬虫

使用robots.txt文件中的网站地图（即sitemap文件）下载所有的网页。
robots.txt
# section 1
User-agent: BadCrawler
Disallow: /
# section 2
User-agent: *
Crawl-delay: 5
Disallow: /trap
# section 3
Sitemap: http://example.webscraping.com/sitemap.xml
下面是使用sitemap文件爬虫的代码：

#!/usr/bin/python
#coding:utf-8
import urllib2
import re
def download(url,user_agent='wswp',num_reload=5):
    headers={'User-agent':user_agent}
    request=urllib2.Request(url,headers=headers)
    try:
        html=urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print 'Downloading error:',e.reason
        html = None
        if num_reload>0 and ( hasattr(e,'code') and 500<=e.code<=600 ):
            return download(url,user_agent,num_reload-1)
    return html

def crawl_sitemap(url):
    sitemap = download(url) #下载网页文件
    links = re.findall('<loc>(.*?)</loc>',sitemap) # 提取sitemap文件里的格式化连接
    for link in links:
        print link
        html = download(link)
       # print html

crawl_sitemap('http://example.webscraping.com/sitemap.xml')

下面是代码运行的效果：

ID遍历爬虫

下面是一些示例国家的URL
http://example.webscraping.com/view/Afghanistan-1
http://example.webscraping.com/view/Aland-Islands-2
http://example.webscraping.com/view/Albania-3
http://example.webscraping.com/view/Algeria-4
http://example.webscraping.com/view/American-Samoa-5
http://example.webscraping.com/view/Andorra-6
http://example.webscraping.com/view/Angola-7
http://example.webscraping.com/view/Anguilla-8
可以看出，这些URL只在结尾处有区别。在URL中包含页面别名是非常普遍的做法，可以对搜索引擎起到优化的作用。一般情况下，Web服务器会忽略这个字符串，只用ID来匹配数据中的相关记录。尝试使用http://example.webscraping.com/view/-%d来匹配所有页面。下面是示例代码：

#!/usr/bin/python
#coding:utf-8
import urllib2
import itertools
def download(url,user_agent='wswp',num_reload=5):
    headers={'User-agent':user_agent}
    request=urllib2.Request(url,headers=headers)
    try:
        html=urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print 'Downloading error:',e.reason
        html = None
        if num_reload>0 and ( hasattr(e,'code') and 500<=e.code<=600 ):
            return download(url,user_agent,num_reload-1)
    return html

for page in itertools.count(1):
    url='http://example.webscraping.com/view/%d'%page
    html=download(url)
    print url
    if html is None:
        break

链接爬虫

本次将使用正则表达式来确定要下载哪些页面。