首页 > 代码库 > 2.3 基于宽度优先搜索的网页爬虫原理讲解
2.3 基于宽度优先搜索的网页爬虫原理讲解
上一节我们下载并使用了宽度优先的爬虫,这一节我们来具体看一下这个爬虫的原理。
首先,查看HTML.py的源代码。
第一个函数:
def get_html(url): try: par = urlparse(url) Default_Header = {‘X-Requested-With‘: ‘XMLHttpRequest‘, ‘Referer‘: par[0] + ‘://‘ + par[1], ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.87 Safari/537.36‘, ‘Host‘: par[1]} html = requests.get(url, headers=Default_Header, timeout=10) if html.status_code != 200: return None return html.content except Exception as e: print(e) return None
这个函数的作用是抓取url的内容(二进制内容,可以直接传进beautifulsoup里分析)。之所以显得比较复杂,是因为加入了一些异常处理,使得函数的可靠性更强一些。另外也加入了一些反爬虫的考虑,尽量模拟真实的浏览器(Referer和User-Agent等参数)。
第二个函数:
def full_link(url1, url2, flag_site=True): try: if url2[0] == ‘#‘: return None filepat = re.compile(r‘(.*?)\.(.*?)‘) htmpat = re.compile(r‘(.*?)\.htm$|(.*?)\.html$|(.*?)\.php$|(.*?)\.aspx$‘) u1 = urlparse(url1) if filepat.match(u1.path) and not htmpat.match(u1.path): return None if url1[-1] == ‘/‘: url1 = url1+"index.html" elif filepat.match(u1.path) is None: url1 = url1+"/index.html" url2 = urljoin(url1,url2) u2 = urlparse(url2) if u1.netloc!=u2.netloc and flag_site: return None return url2 except Exception as e: print(e) return None
这个函数其实是一个很关键的函数。因为宽度优先要想让while循环运转起来,就需要对队列的每一个元素都有一个通用的处理方法。这也是这个函数很关键的原因。它的作用是对于已知url1页面中,有一个<a>标签的href属性里面是url2,返回url2的真正完整链接是什么。当然,如果url2本身是一个完整链接,就直接返回它本身。但是如果它只是一个相对路径的链接,就需要经过处理之后再返回。比如,http://www.cnblogs.com/itlqs页面里面,链接出了一个./p/136810721.html,那么经过这个函数处理之后,返回的就是http://www.cnblogs.com/itlqs/p/6810721.html。其实Python自带的urljoin函数做的就是这个事情,但是经过试验发现内置的这个不是很完善,所以在这里修改了一下。在遇到异常,或者链接不符合要求的时候会返回None。
第三个函数:
def premake(url): # 建立url所需要的目录 if url[-1] == ‘/‘: url = url[:-1] up = urlparse(url) pat = re.compile(r‘(.*?)\.htm$|(.*?)\.html$|(.*?)\.php$|(.*?)\.aspx$‘) path = up.path.split(‘/‘) name = ‘index.html‘ if pat.match(up.path) is not None: name = path[-1] path = path[:-1] dirn = ‘/‘.join(path) if up.query!=‘‘: name = up.query+‘ - ‘+name os.makedirs(up.netloc + dirn, exist_ok=True) return up.netloc + dirn + ‘/‘ + name
这个函数的作用是建立url所需要的本地文件夹,这一步主要是为了在本地也保存原始的目录结构。而且把query的信息也在文件名中体现出来了。
第四个函数:
def save(url): url = url.replace(‘\n‘,‘‘) fn = premake(url) html = get_html(url) if html is not None: with open(fn, ‘wb‘) as f: f.write(html) return html
把一个链接抓取并保存到本地。就是在前面三个函数的基础上写的。
这就是HTML.py。下面再来看一下crawler.py。前面的一些设置参数的部分就不看了,直接看宽搜的核心代码。
now = 0 while not q.empty(): try: front = q.get() link = front[0] depth = front[1] print(‘crawling:‘, link) html = HTML.save(link) if html is None: continue soup = BeautifulSoup(html, ‘html.parser‘, from_encoding=‘gb18030‘) for a in soup.find_all(‘a‘): try: url2 = a[‘href‘] fl = HTML.full_link(link, url2, flag_site) if fl is None: continue if (fl not in pool) and (depth + 1 <= flag_depth): pool.add(fl) q.put((fl, depth + 1)) print(‘in queue:‘, fl) except Exception as e: print(e) now += 1 if now >= flag_most: break except Exception as e: print(e)
其实有了上面四个函数作为基础,就很容易了。每次从队头取一个链接。抓取并保存。然后提取出这个页面的所有href,然后用full_link函数得到完整链接,判断一下是否已经出现过,如果没有,加入队列中。
这就是这个程序的原理,一些实现细节可以揣摩一下代码,当然代码也有可能有不完善的地方,但是对于一些简单的抓取需求来说基本够用了。
2.3 基于宽度优先搜索的网页爬虫原理讲解