使用Python实现简单爬虫（慕课网学习笔记）

来源：互联网发布：python httplib 编辑：程序博客网时间：2024/06/05 02:53

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

这里写图片描述

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

这里写图片描述

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
这里写图片描述

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

这里写图片描述

这里写图片描述
结构化解析-DOM（Document Object Model）树

这里写图片描述

import 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>"""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。
这里写图片描述

（2）标题分析
标题内容在< dd class> 下的 < h1 > 子标签中。
这里写图片描述

（3）简介分析
可看到简介内容在< class=”lemma-summary” > 下
　这里写图片描述
（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 class="lemmaWgt-lemmaTitle-title"><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 class="lemma-summary" 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()

这里写图片描述

阅读全文

1 0