首页 > 代码库 > Python 开发简单爬虫 - 基础框架
Python 开发简单爬虫 - 基础框架
1. 目标：开发轻量级爬虫（不包括需登陆的 和 Javascript异步加载的）
不需要登陆的静态网页抓取
2. 内容：
2.1 爬虫简介
2.2 简单爬虫架构
2.3 URL管理器
2.4 网页下载器（urllib2）
2.5 网页解析器（BeautifulSoup）
2.6 完整实例：爬取百度百科Python词条相关的1000个页面数据
3. 爬虫简介：一段自动抓取互联网信息的程序
爬虫价值：互联网数据，为我所用。
4. 简单爬虫架构：
运行流程：
5. 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
- 实现方式：
6. 网页下载器：将互联网URL对应的网页下载到本地的工具
- 分类：
- urllib2 下载网页的方法：
1. 最简洁方法： url ===> urllib2.urlopen(url)
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()
2. 添加data、http header： （url，data，header） ===> urllib2.Request ===> urllib2.urlopen(request)
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)
3. 添加特殊情景的处理器：
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/”)
7. urllib2 实例代码演示：
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 14 10:31:06 2017
@author: Wayne
"""
import urllib2, cookielib
url = "http://www.baidu.com"
print "the 1st method"
response1 = urllib2.urlopen(url)
print response1.getcode()
print len(response1.read())
print "the 2nd 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 "the 3rd method"
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
response3 = urllib2.urlopen(url)
print response3.getcode()
print cj
print response3.read()
8. 网页解析器：从网页中提取有价值数据的工具
python 的网页解析器：
结构化解析 - DOM ( Document Object Model) 树：
9. 网页解析器 - Beautiful Soup
9.1 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
9.2 安装并测试 beautifulsoup4
- 安装：pip install beautifulsoup4
- 测试：import bs4
9.3 Beautiful Soup语法
9.4 创建 BeautifulSoup 对象
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=‘utf-8‘ # HTML文档的编码
)
9.5 搜索节点（find_all， find）
# 方法：find_all(name, attrs, string) # 查找所有标签为 a 的节点 soup.find_all(‘a‘) # 查找所有标签为 a，链接符合 /view/123.htm 形式的节点 soup.find_all(‘a‘, href=http://www.mamicode.com/‘/view/123.htm‘)>
9.6 访问节点信息
# 得到节点： <a href=http://www.mamicode.com/‘1.html‘>Python>
10. BeautifulSoup 实例测试
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 14 11:00:42 2017
@author: Wayne
"""
from bs4 import BeautifulSoup
import re
html_doc = """
<html><head><title>The Dormouse‘s story</title></head>
<body>
<p class="title"><b>The Dormouse‘s story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc, ‘html.parser‘, from_encoding=‘urf-8‘)
print ‘\n## Get all the links‘
links = soup.find_all(‘a‘)
for link in links:
print link.name, link[‘href‘], link.get_text()
print ‘\n## Get the links include "lacie"‘
link_node = soup.find(‘a‘, href=http://www.mamicode.com/‘http://example.com/lacie‘)"ill"))
print link_node.name, link_node[‘href‘], link_node.get_text()
print ‘\n## Get "P" Paragraph Text‘
p_node = soup.find(‘p‘, class_=‘title‘)
print p_node.name, p_node.get_text()
Python 开发简单爬虫 - 基础框架