Python开发简单爬虫

源码网址：  http://download.csdn.NET/detail/hanchaobiao/9860671

一、爬虫的简介及爬虫技术价值

1.什么是爬虫：

一段自动抓取互联网信息的程序，可以从一个URL出发，访问它所关联的URL,提取我们所需要的数据。也就是说爬虫是自动访问互联网并提取数据的程序。

2.爬虫的价值

将互联网上的数据为我所用，开发出属于自己的网站或APP

二、简单的网络爬虫流程架

爬虫调度端：用来启动、执行、停止爬虫，或者监视爬虫中的运行情况在爬虫程序中有三个模块URL管理器：对将要爬取的URL和已经爬取过的URL这两个数据的管理

网页下载器：将URL管理器里提供的一个URL对应的网页下载下来，存储为一个字符串，这个字符串会传送给网页解析器进行解析

网页解析器：一方面会解析出有价值的数据，另一方面，由于每一个页面都有很多指向其它页面的网页，这些URL被解析出来之后，可以补充进URL管理 器

这三部门就组成了一个简单的爬虫架构，这个架构就能将互联网中所有的网页抓取下来

动态执行流程

三、URL管理器及三种实现方式

防止重复抓取和循环抓取，最严重情况两个URL相互指向就会形成死循环

三种实现方式

Python内存set集合：set集合支持去重的作用

MySQL：url(访问路径)is_crawled(是否访问)

Redis:使用性能最好，且Redis中也有set类型，可以去重。不懂得同学可以看下Redis的介绍

四、网页下载器和urlib模块

本文使用urllib实现

urllib2是自带的模块，不需要下载。

urllib2在python3.x中被改为urllib.request

三种实现方式

方法一：#引入模块

fromurllibimportrequest

url = "http://www.baidu.com"

#第一种下载网页的方法

print("第一种方法:")

#request = urllib.urlopen(url)  2.x

response1 = request.urlopen(url)

print("状态码:",response1.getcode())

#获取网页内容

html = response1.read()

#设置编码格式

print(html.decode("utf8"))

#关闭response1

response1.close()

方法二：

print("第二种：")

request2 = request.Request(url)

request2.add_header('user-agent','Mozilla/5.0')

response2 = request.urlopen(request2)

print("状态码:",response2.getcode())

#获取网页内容

htm2 = response2.read()

#调整格式

print(htm2.decode("utf8"))

#关闭response1

response2.close()

方法三：使用cookie

#第三种方法 使用cookie获取

import http.cookiejar

cookie=http.cookiejar.LWPCookieJar()

opener=request.build_opener(request.HTTPCookieProcessor(cookie))

request.install_opener(opener)

response3=request.urlopen(url)

print(cookie)

html3=response3.read()

#将内容格式排列

print(html3.decode("utf8"))

response3.close()

五、网页解析器和BeautifulSoup第三方模块

测试是否安装bs4

importbs4

print(bs4)

打印结果：

则安装成功

Beautiful Soup 相比其他的html解析有个非常重要的优势。html会被拆解为对象处理。全篇转化为字典和数组。

相比正则解析的爬虫，省略了学习正则的高成本，本文使用python3.x系统自带不需要安装。

使用案例：http://blog.csdn.net/watsy/article/details/14161201

方法介绍

实例测试

html采用官方案例

#引用模块

frombs4importBeautifulSoup

html_doc = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

获取所有的链接

print("获取所有的链接")

links = soup.find_all('a')#a标签

forlinkinlinks:

print(link.name,link['href'],link.get_text())

#获取href=http://example.com/lacie的链接

print("获取lacie链接")

link1 = soup.find('a',href="http://example.com/lacie")

print(link1.name,link1['href'],link1.get_text())

print("正则匹配 href中带有“ill”的")

importre#导入re包

link2 = soup.find('a',href=re.compile(r"ill"))

print(link2.name,link2['href'],link2.get_text())

print("获取p段落文字")

link3 = soup.find('p',class_="title")#class是关键字 需要加_

print(link3.name,link3.get_text())

六、爬虫开发实例(目标爬虫百度百科)

入口：http://baike.baidu.com/item/Python

分析URL格式：防止访问无用路径 http://baike.baidu.com/item/{标题}

数据：抓取百度百科相关Python词条网页的标题和简介

通过审查元素得标题元素为 ：class="lemmaWgt-lemmaTitle-title"

简介元素为：class="lemma-summary"

页面编码：UTF-8

作为定向爬虫网站要根据爬虫的内容升级而升级如运行出错可能为百度百科升级，此时则需要重新分析目标

代码集注释：

创建spider_main.py

#创建类

fromimooc.baike_spiderimporturl_manager,html_downloader,html_output,html_parser

classspiderMain:

#构造函数 初始化

def__init__(self):

#实例化需引用的对象

self.urls = url_manager.UrlManager()

self.downloader = html_downloader.HtmlDownLoader()

self.output = html_output.HtmlOutPut()

self.parser = html_parser.HtmlParser()

defcraw(self,root_url):

#添加一个到url中

self.urls.add_new_url(root_url)

count = 1

whileself.urls.has_new_url():

try:

new_url = self.urls.get_new_url()

print('craw %d : %s'%(count,new_url))

#下载

html_context = self.downloader.downloade(new_url)

new_urls,new_data = self.parser.parse(new_url,html_context)

print(new_urls)

self.urls.add_new_urls(new_urls)

self.output.collect_data(new_data)

#爬一千个界面

if(count==1000):

break

count+=1

except:

print("craw faile")

self.output.output_html()

#创建main方法

if__name__ =="__main__":

root_url = "http://baike.baidu.com/item/Python"

obj_spider = spiderMain()

obj_spider.craw(root_url)

创建url_manager.py

classUrlManager:

'url管理类'

#构造函数初始化set集合

def__init__(self):

self.new_urls = set()#待爬取的url

self.old_urls = set()#已爬取的url

#向管理器中添加一个新的url

defadd_new_url(self,root_url):

if(root_urlisNone):

return

if(root_urlnotinself.new_urlsandroot_urlnotinself.old_urls):

#既不在待爬取的url也不在已爬取的url中，是一个全新的url，因此将其添加到new_urls

self.new_urls.add(root_url)

# 向管理器中添加批量新的url

defadd_new_urls(self,urls):

if(urlsisNoneorlen(urls) ==0):

return

forurlinurls:

self.add_new_url(url)#调用add_new_url()

#判断是否有新的待爬取的url

defhas_new_url(self):

returnlen(self.new_urls) !=0

#获取一个待爬取的url

defget_new_url(self):

new_url = self.new_urls.pop()

self.old_urls.add(new_url)

returnnew_url

创建html_downloader.py

[python] view plain copy from urllib import request  from urllib.parse import quote  import string  class HtmlDownLoader:      '下载页面内容'      def downloade(self,new_url):          if(new_url is None):              return None          #解决请求路径中含义中文或特殊字符          url_ = quote(new_url, safe=string.printable);          response = request.urlopen(url_)          if(response.getcode()!=200):              return None #请求失败          html = response.read()          return html.decode("utf8")

创建html_parser.py

frombs4importBeautifulSoup

importre

fromurllibimportparse

classHtmlParser:

#page_url 基本url 需拼接部分

def_get_new_urls(self,page_url,soup):

new_urls = set()

#匹配 /item/%E8%87%AA%E7%94%B1%E8%BD%AF%E4%BB%B6

links = soup.find_all('a',href=re.compile(r'/item/\w+'))

forlinkinlinks:

new_url = link["href"]

#例如page_url=http://baike.baidu.com/item/Python new_url=/item/史记·2016?fr=navbar

#则使用parse.urljoin(page_url,new_url)后 new_full_url = http://baike.baidu.com/item/史记·2016?fr=navbar

new_full_url = parse.urljoin(page_url,new_url)

new_urls.add(new_full_url)

returnnew_urls

def_get_new_data(self,page_url,soup):

#

Python

red_data = {}

red_data['url'] = page_url

title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find('h1')#获取标题内容

red_data['title'] = title_node.get_text()

#