首页 > 代码库 > Python爬虫实例

Python爬虫实例

前言

Python非常适合用来开发网页爬虫,理由如下:
1、抓取网页本身的接口
相比与其他静态编程语言,如java,c#,c++,python抓取网页文档的接口更简洁;相比其他动态脚本语言,如perl,shell,python的urllib2包提供了较为完整的访问网页文档的API。(当然ruby也是很好的选择)
此外,抓取网页有时候需要模拟浏览器的行为,很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求,譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定,如Requests,mechanize

2、网页抓取后的处理
抓取的网页通常需要处理,比如过滤html标签,提取文本等。python的beautifulsoap提供了简洁的文档处理功能,能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做,但是用python能够干得最快,最干净。

Life is short, you need python.

PS:python2.x和python3.x有很大不同.

爬虫架构

架构组成

技术分享

URL管理器:管理待爬取的url集合和已爬取的url集合,传送待爬取的url给网页下载器。
网页下载器(urllib):爬取url对应的网页,存储成字符串,传送给网页解析器。
网页解析器(BeautifulSoup):解析出有价值的数据,存储下来,同时补充url到URL管理器。

运行流程

技术分享

URL管理器

基本功能

  • 添加新的url到待爬取url集合中。
  • 判断待添加的url是否在容器中(包括待爬取url集合和已爬取url集合)。
  • 获取待爬取的url。
  • 判断是否有待爬取的url。
  • 将爬取完成的url从待爬取url集合移动到已爬取url集合。

存储方式

1、内存(python内存)
待爬取url集合:set()
已爬取url集合:set()

2、关系数据库(mysql)
urls(url, is_crawled)

3、缓存(redis)
待爬取url集合:set
已爬取url集合:set

大型互联网公司,由于缓存数据库的高性能,一般把url存储在缓存数据库中。小型公司,一般把url存储在内存中,如果想要永久存储,则存储到关系数据库中。

网页下载器(urllib)

将url对应的网页下载到本地,存储成一个文件或字符串。

基本方法

新建baidu.py,内容如下:

import urllib.requestresponse = urllib.request.urlopen(http://www.baidu.com)buff = response.read()html = buff.decode("utf8")print(html)

命令行中执行python baidu.py,则可以打印出获取到的页面。

构造Request

上面的代码,可以修改为:

import urllib.requestrequest = urllib.request.Request(http://www.baidu.com)response = urllib.request.urlopen(request)buff = response.read()html = buff.decode("utf8")print(html)

携带参数

新建baidu2.py,内容如下:

import urllib.requestimport urllib.parseurl = http://www.baidu.comvalues = {name: voidking,language: Python}data = urllib.parse.urlencode(values).encode(encoding=utf-8,errors=ignore)headers = { User-Agent : Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0 }request = urllib.request.Request(url=url, data=http://www.mamicode.com/data,headers=headers,method=GET)response = urllib.request.urlopen(request)buff = response.read()html = buff.decode("utf8")print(html)

使用Fiddler监听数据

我们想要查看一下,我们的请求是否真的携带了参数,所以需要使用fiddler。
打开fiddler之后,却意外发现,上面的代码会报错504,无论是baidu.py还是baidu2.py。
技术分享
虽然python有报错,但是在fiddler中,我们可以看到请求信息,确实携带了参数。
技术分享

经过查找资料,发现python以前版本的Request都不支持代理环境下访问https。但是,最近的版本应该支持了才对。那么,最简单的办法,就是换一个使用http协议的url来爬取,比如,换成http://www.csdn.net。结果,依然报错,只不过变成了400错误。
技术分享

然而,然而,然而。。。神转折出现了!!!
当我把url换成http://www.csdn.net/后,请求成功!没错,就是在网址后面多加了一个斜杠/。同理,把http://www.baidu.com改成http://www.baidu.com/,请求也成功了!神奇!!!

添加处理器

技术分享

import urllib.requestimport http.cookiejar# 创建cookie容器cj = http.cookiejar.CookieJar()# 创建openeropener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))# 给urllib.request安装openerurllib.request.install_opener(opener)# 请求request = urllib.request.Request(http://www.baidu.com/)response = urllib.request.urlopen(request)buff = response.read()html = buff.decode("utf8")print(html)print(cj)

网页解析器(BeautifulSoup)

从网页中提取出有价值的数据和新的url列表。

解析器选择

为了实现解析器,可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等,这里我们选择BeautifulSoup。
其中,正则表达式基于模糊匹配,而另外三种则是基于DOM结构化解析。

BeautifulSoup

安装测试

1、安装,在命令行下执行pip install beautifulsoup4
2、测试

import bs4print(bs4)
使用说明

技术分享
技术分享

基本用法

1、创建BeautifulSoup对象

import bs4from bs4 import BeautifulSoup# 根据html网页字符串创建BeautifulSoup对象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)print(soup.prettify())

2、访问节点

print(soup.title)print(soup.title.name)print(soup.title.string)print(soup.title.parent.name)print(soup.p)print(soup.p[class])

3、指定tag、class或id

print(soup.find_all(a))print(soup.find(a))print(soup.find(class_=title))print(soup.find(id="link3"))print(soup.find(p,class_=title))

4、从文档中找到所有<a>标签的链接

for link in soup.find_all(a):        print(link.get(href))

技术分享
出现了警告,根据提示,我们在创建BeautifulSoup对象时,指定解析器即可。

soup = BeautifulSoup(html_doc,html.parser)

5、从文档中获取所有文字内容

print(soup.get_text())

6、正则匹配

link_node = soup.find(‘a‘,href=http://www.mamicode.com/re.compile(r"til"))print(link_node)

实例

# -*- coding: utf-8 -*-‘‘‘Created on 2017年4月10日@author: xuxianglin‘‘‘import urllib2, os.path, urllib, randomfrom bs4 import BeautifulSoup def get_soup(url):    """    获取网站的soup对象    """    my_headers = [    Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30,    Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0,    Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C),    Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50,    Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/533.21.1 (KHTML, like Gecko) Version/5.0.5 Safari/533.21.1,    Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)]    header={"User-Agent":random.choice(my_headers)}    req=urllib2.Request(url, headers=header)    html=urllib2.urlopen(req).read()    soup=BeautifulSoup(html)    return soup     def get_pages(url):    """    获取妹子图网站的页数    """    soup=get_soup(url)    nums=soup.find_all(a,class_=page-numbers)    pages=int(nums[-2].text)    return pages      def get_menu(url):    """    获取页面的所有妹子图主题的链接名称和地址,记入列表    """    soup=get_soup(url)    menu=[]    menu_list=soup.find_all(a,target=_blank)    for i in menu_list:        result=i.find_all(img,class_=lazy)        if result:            name=result[0][alt]            address=i[href]            menu.append([name,address])    return menu def get_links(url):    """    获取单个妹子图主题一共具有多少张图片    """    soup=get_soup(url)    all_=soup.find_all(a)    nums=[]    for i in all_:        span=i.find_all(span)        if span:            nums.append(span[0].text)    return nums[-2]             def get_image(url,filename):    """    从单独的页面中提取出图片保存为filename    """    soup=get_soup(url)    image=soup.find_all(p)[0].find_all(img)[0][src]    urllib.urlretrieve(image,filename) def main(page):    """    下载第page页的妹子图    """    print u正在下载第 %d 页 % page    page_url=url+/page/+str(page)    menu=get_menu(page_url)    print u@@@@@@@@@@@@@@@@第 %d 页共有 %d 个主题@@@@@@@@@@@@@@@@ %(page,len(menu))    for i in menu:        dir_name=os.path.join(MeiZiTu,i[0])        if not os.path.exists(dir_name):            os.mkdir(dir_name)        pic_nums=int(get_links(i[1]))        print u\n\n\n*******主题 %s 一共有 %d 张图片******\n %(i[0],pic_nums)        for pic in range(1,pic_nums+1):            basename=str(pic)+.jpg            filename=os.path.join(dir_name,basename)            pic_url=i[1]+/+str(pic)            if not os.path.exists(filename):                print u......%s % basename,                get_image(pic_url,filename)            else:                print filename+u已存在,略过     if __name__==__main__:    url=http://www.mzitu.com/    pages=get_pages(url)    print u***************妹子图一共有 %d 页****************** %pages    if not os.path.exists(MeiZiTu):        os.mkdir(MeiZiTu)    page_start=input(uInput the first page number:\n)    page_end=input(uInput the last page number:\n)    if page_end>page_start:        for page in range(page_start,page_end):            main(page)    elif page_end==page_start:        main(page_end)    else:        print u"输入错误,起始页必须小于等于结束页\n"

Python爬虫实例