首页 > 代码库 > Python开发简单爬虫(一)

Python开发简单爬虫(一)

一 、简单爬虫架构:

爬虫调度端:启动爬虫,停止爬虫,监视爬虫运行情况
URL管理器:对将要爬取的和已经爬取过的URL进行管理;可取出带爬取的URL,将其传送给“网页下载器”
网页下载器:将URL指定的网页下载,存储成一个字符串,在传送给“网页解析器”
网页解析器:解析网页可解析出 ①有价值的数据 ②另一方面,每个网页都包含有指向其他网页的URL,解析出来后可补充进“URL管理器”,不断循环。

二、简单爬虫架构的动态运行流程

技术分享

 

三、爬虫URL管理

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。

url: 添加新url到爬取集合中, 判断待添加url是否在容器中, 判断是否还有待爬取的url, 获取待爬取url, 将url从待爬移动到已爬

技术分享

四、爬虫URL管理器的实现方式

URL管理器的三种实现方式:内存、关系数据库、缓存数据库

技术分享

存放在内存中是利用set()集合,可以去除重复元素,利用MySQL里的is_crawled参数是用来标记已爬取还是未爬取,redis数据库同样利用set集合。

五、爬虫网页下载器

Python网页下载器有:
1)urllib2 (Python官方基础模块)python 3.x中urllib库和urilib2库合并为urllib库。

2)requests (第三方包,更强大)

爬虫urlib2下载器网页的三种方法:

方法一:直接将url传送给urllib2模块的urlopen()方法

技术分享

 

方法二:共享处理,添加data、http header

可以将url,data,header三个参数传送给urllib2的Request类,生成Resquest对象,再将Resquest对象作为参数传递给urlopen()方法来发送网页请求

技术分享

技术分享

 

方法三:添加特殊情景的处理器

有些网页需要用户登录才能访问,此时需要添加cookie的处理,则使用HTTPCookieProcessor进行处理

有些网页需要代理才能访问,则使用ProxyHandler进行处理

有些网页使用的是HTTPS协议加密访问的,则使用HTTPSHandler进行处理

还有些网页中的url存在相互的自动的跳转关系,则使用HTTPRedirectHandler进行处理

可将这些handler传送给build_opener()方法生成一个opener对象,然后给urlib2安装该opener,再利用urlopen()方法发送网页请求,实现网页的下载

 

技术分享

例:增强cookie的处理

技术分享

 

 六、网页下载器urllib2三种方法实例代码

方法一:

import urllib2# -*- coding: utf-8 -*-#第一种方法url = http://www.baidu.comresponse1 = urllib2.urlopen(url)print response1.getcode()       #打印一下状态码,确定请求是否成功print len(response1.read())     #打印返回的网页内容的长度

方法二:

# -*- coding: utf-8 -*-import urllib2url = http://www.baidu.comrequest = urllib2.Request(url)request.add_header("user-agent","Mozilla/5.0") #为request对象添加了http头信息,并将爬虫伪装成了Mozilla浏览器response2 = urllib2.urlopen(request)print response2.getcode()print len(response2.read())

 方法三:

先创建一个cookie容器为cj,

然后创建一个opener,是以容器作为参数通过urllib2.HTTPCookieProcessor()方法创建一个handler,再传给build_opener()方法实现,

为urllib2安装opener,此时urllib2就具有了cookie处理的增强能力,

最后然后就使用urlopen()方法访问正常的url

最后即可打印出cookie的内容和网页的内容

import urllib2import cookieliburl = http://www.baidu.comcj = cookielib.CookieJar()opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))urllib2.install_opener(opener)response3 = urllib2.urlopen(url)print response3.getcode()print cjprint response3.read()

七、爬虫网页解析器

网页解析器:从网页中提取有价值数据的工具

python四种网页解析方式:
模糊匹配:
1.正则表达式(最直观的一种方式,将网页或文档看成是一个字符串,以模糊匹配的方式提取出有价值的数据,但如果文档比较复杂时此方式非常麻烦)
结构化解析:(即将整个网页加载成一个DOM树,以树的形式来进行上下级的遍历和访问)
2.html.parser;(Python的模块)
3.BeautifulSoup,(第三方插件,同时可以使用html.parser和lxml作为解析器)

4.lxml;(第三方插件,可解析html网页或xml网页)

八、使用BeautifulSoup4

BeautifulSoup是Python的第三方库,用于从HTML或XML中提取数据

安装BeautifulSoup4:

1)打开cmd命令窗口

2)进入Python的安装目录下的Scripts

cd C:\Python27\Scripts

3) 输入dir,显示pip.exe已安装

4)输入pip install beautifulsoup4,即可安装beautifulsoup4

 技术分享

 BeautifulSoup的语法:

1)根据已下载好的html网页创建一个beautifulsoup对象,创建该对象的同时就已将整个文档加载成一个DOM树,

2)然后根据此DOM就可对节点进行搜索,搜索节点有两个方法:

find_all方法和find方法,两个方法的参数相同,find_all方法会搜索出所有满足要求的节点,find方法只会搜索出第一个满足要求的节点,

在搜索节点时,可按照节点的名称,属性或文字进行搜索。

3)得到了节点之后,就可以访问节点的名称、属性和内容文字。

技术分享

例:可使用三种方式对下面a链接进行搜索和访问

技术分享

代码如下:

1.创建BeautifulSoup对象并同时加载好了DOM树

# -*- coding: utf-8 -*-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,指利用网页下载器下载好的html文件或者是存在本地的html文件,是要提前赋值的                    html.parser‘,          #HTML解析器                    from_encoding = utf-8 #HTML文档的编码                    )

2.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)soup.find_all(a,href=http://www.mamicode.com/re.compile(r/view/\d+\.htm)) #可以使用正则表达式进行匹配#查找所有标签为div,class为abc,文字为Python的节点soup.find_all(div,class_=abc,string=Python)  #因为class是Python的关键字,为了避免冲突使用class_

3.访问节点的信息

#例:得到节点<a href=http://www.mamicode.com/‘1.html‘>Python#获取查找到的节点的标签名称node.name#获取查找到的a节点的href属性node[href]#获取查找到的a节点的链接文字node.get_text()

 BeautifulSoup实例演示:

# -*- coding: utf-8 -*-import osimport refrom bs4 import BeautifulSouphtml_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>"""print 获取所有的a链接:soup = BeautifulSoup(html_doc,html.parser,from_encoding=utf-8)links = soup.find_all(a)for link in links:    print link.name,link[href],link.get_text()print 获取lacie的链接:link_node1 = soup.find(a,href=http://www.mamicode.com/http://example.com/lacie)print link_node1.name,link_node1[href],link_node1.get_text()print 使用正则表达式匹配:link_node2 = soup.find(a,href=http://www.mamicode.com/re.compile(r"ill"))print link_node2.name,link_node2[href],link_node2.get_text()print 获取指定p段落的文字:p_node = soup.find(p,class_=title)print p_node.name,p_node.get_text()

输出结果:

技术分享

 

Python开发简单爬虫(一)