使用Python实现简单爬虫(慕课网学习笔记)

来源:转载

介绍

一段自动抓取互联网信息的程序称为爬虫,主要组成:爬虫调度器、URL管理器、网页下载器、网页解析器

(1)爬虫调度器:程序的入口,主要负责爬虫程序的控制
(2)URL管理器: 1、添加新的URL到代爬取集合2、判断待添加URL是否已存在3、判断是否还有待爬取的URL,将URL从待爬取集合移动到已爬取集合
URL存储方式:Python内存即set()集合,关系数据库、缓存数据库
(3)网页下载器:根据URL获取网页内容,实现由有urllib2和request
(4)网页解析器:从网页中提取出有价值的数据,实现方法有:正则表达式、html.parser、BeautifulSoup、lxml

网页下载器-urllib2

第一种

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()

第二种:添加data、http header

import urllib2#创建Request对象request=urllib2.Request(url)#添加数据request.add_data('a','1')#添加http的headerrequest.add_header('User-Agent','Mozilla/5.0')#发送请求获取结果response=urllib2.urlopen(request)

第三种:添加特殊情景的处理器

1、需要登录、需要代理、HTTPS加密访问、url自动跳转

import urllib2,cookielib#创建cookie容器cj=cookielib.CookieJar()#创建1个openeropener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))#urllib2安装openerurllib2.install_opener(opener)#使用带有cookie的urllib2访问网页response=urllib2.urlopen("http://www.baidu.com/")
import urllib.requestimport http.cookiejarurl="http://www.baidu.com"print("第一种方法")response1=urllib.request.urlopen(url)html=response1.read()code=response1.getcode()print(code)print(len(html))print("第二种方法")request=urllib.request.Request(url)request.add_header("user-agent","Mozilla/5.0")response2=urllib.request.urlopen(request)print(response2.getcode())print(len(response2.read()))print("第三种方法")cj=http.cookiejar.CookieJar()opener=urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))urllib.request.install_opener(opener)response3=urllib.request.urlopen(url)print(response3.getcode())print(cj)print(response3.read())

网页解析器


结构化解析-DOM(Document Object Model)树

import refrom bs4 import BeautifulSouphtml_doc = """<html><head><title>The Dormouse's story</title></head><body><p><b>The Dormouse's story</b></p><p>Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" id="link1">Elsie</a>,<a href="http://example.com/lacie" id="link2">Lacie</a> and<a href="http://example.com/tillie" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p>...</p>"""soup=BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')print("获取所有的链接")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_node=soup.find('a',href='http://example.com/lacie')print(link_node.name,link_node['href'],link_node.get_text())print("获取正则匹配表达式")link_node=soup.find('a',href=re.compile(r'ill'))print(link_node.name,link_node['href'],link_node.get_text())print("p段落名字")link_node=soup.find('p',class_='title')print(link_node.name,link_node.get_text())

运行结果

获取所有的链接
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie
获取lacie的链接
a http://example.com/lacie Lacie
获取正则匹配表达式
a http://example.com/tillie Tillie
p段落名字
p The Dormouse’s story


实例爬虫-爬取百度百科1000个页面的数据

确定目标-》分析目标(URL格式、数据格式、网页编码)-》编写代码-》执行爬虫

程序思路:主程序从初始URL开始,先通过URL管理器将初始URL放入待爬集合,再循环从待爬集合中获取URL,使用网页下载器获取URL指向网页,再对网页进行解析获取价值数据和关联URL,关联URL经判断再由URL管理器存入待爬集合,继续进行循环直到复合跳出条件或待爬集合为空。

1、准备工作

(1)链接分析
href=”/view/10812319.htm” 是一个不完整的url, 在代码中需要拼接成完整的 baike.baidu.com/view/10812319.htm 才能进行后续的访问。

(2)标题分析
标题内容在< dd class> 下的 < h1 > 子标签中。

(3)简介分析
可看到简介内容在< class=”lemma-summary” > 下

(4)查看编码方式

(5)分析目标汇总

2、编写代码

调度程序:spyder_main.py

from baike_spider import html_downloaderfrom baike_spider import html_outputerfrom baike_spider import html_parserfrom baike_spider import url_managerclass SpiderMain(object): # 构造函数,初始化 def __init__(self): self.urls = url_manager.UrlManager() # url管理器 self.downLoader = html_downloader.HtmlDownloader() # 下载器 self.parser = html_parser.HtmlParser() # 解析器 self.outputer = html_outputer.HtmlOutputer() # 输出器 # root_url入口url def craw(self, root_url): count = 1 # 记录当前爬去的第几个url self.urls.add_new_url(root_url) while self.urls.has_new_url(): # 判断有没有ur try: new_url = self.urls.get_new_url() # 如果有url,就添加到urls print("craw %s : %s" % (count, new_url)) html_cont = self.downLoader.download(new_url) # 下载的页面数据 new_urls, new_data = self.parser.parse(new_url, html_cont) # 解析 self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) # 收集 if count == 1000: break count = count + 1 except: print("craw failed") self.outputer.output_html()if __name__ == '__main__': root_url = 'https://jingyan.baidu.com/article/2c8c281df0afd00008252aa7.html' obj_spider = SpiderMain() obj_spider.craw(root_url)

URL管理器:url_manager.py

class UrlManager(object): # 维护两个列表,待爬取列表,爬取过的列表 def __init__(self): self.new_urls = set() self.old_urls = set() def add_new_url(self, url): # 向管理器添加新的url if url is None: return # 该url即不在待爬取的列表也不在已爬取的列表 if url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) # 用来待爬取 def add_new_urls(self, urls): # 向管理器中添加批量url if urls is None or len(urls) == 0: return for url in urls: self.add_new_url(url) def has_new_url(self): # 判断管理器是否有新的url # 如果待爬取的列表不等于0就有 return len(self.new_urls) != 0 def get_new_url(self): # 从管理器获取新的url new_url = self.new_urls.pop() # 从待爬取url集合中取一个url,并把这个url从集合中移除 self.old_urls.add(new_url) # 把这个url添加到已爬取的url集合中 return new_url

HTML下载器:html_downloader.py

import urllib.requestclass HtmlDownloader(object): def download(self, url): if url is None: return response = urllib.request.urlopen(url) if response.getcode() != 200: return None return response.read()

HTML解析器:html_parser.py

from bs4 import BeautifulSoupimport reimport urllib.parseclass HtmlParser(object): def parse(self, page_url, html_cont): if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8') new_urls = self._get_new_urls(page_url, soup) # 解析url列表 new_data = self._get_new_data(page_url, soup) # 解析数据 return new_urls, new_data def _get_new_urls(self, page_url, soup): new_urls = set() # /view/123.html links = soup.find_all('a', href=re.compile(r'/view/[a-zA-Z0-9]+/.htm')) # 获取所有的连接 # 得到所有词条的url for link in links: new_url = link['href'] # 获取链接 # 把new_url按照和paga_url合并成一个完整的url new_full_url = urllib.parse.urljoin(page_url, new_url) new_urls.add(new_full_url) return new_urls #获取标题与简介 def _get_new_data(self, page_url, soup): res_data = {} # url res_data['url'] = page_url # <dd><h1>Python</h1> # 标题标签 title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1') res_data['title'] = title_node.get_text() # <div label-module="lemmaSummary"> summary_node = soup.find('div', class_="lemma-summary") res_data['summary'] = summary_node.get_text() return res_data

HTML输出器:html_outputer.py

class HtmlOutputer(object): def __init__(self): self.datas = [] # 建立列表存放数据 def collect_data(self, data): # 收集数据 if data is None: return self.datas.append(data) def output_html(self): # 用收集好输出到html文件中 fout = open('output.html', 'w', encoding='utf-8')# 写模式 fout.write("<html>") fout.write("<head><meta http-equiv=/"content-type/" content=/"text/html;charset=utf-8/"></head>") fout.write("<body>") fout.write("<table>") # 输出为表格形式 # ascii for data in self.datas: fout.write("<tr>") fout.write("<td>%s</td>" % data['url']) # 输出url fout.write('<td>%s</td>' % data['title']) fout.write('<td>%s</td>' % data['summary']) fout.write("</tr>") fout.write("</table>") fout.write("</body>") fout.write("</html>") # 闭合标签 fout.close()

分享给朋友:
您可能感兴趣的文章:
随机阅读: