Python爬虫之静态页面爬取

Python爬虫之静态页面爬取

前言

Python语言代码简短，功能精悍。如Python之父所言 “人生苦短，我用Python” 。所以Python语言写爬虫具有其他语言比不了的优势。Python简直为爬虫而生。

在写爬虫程序之前，先说下爬虫程序的步骤，爬虫程序一般分为以下几步：

• 1. 明确爬虫需求

  • 1.1 需求分析

• 2. 选择爬虫框架

  • 2.1 框架简介

• 3. 编写爬虫程序

  • 3.1 抓取网页数据

  • 3.2 清洗网页数据（通过规则获取网页数据）

  • 3.3 保存数据

---

1. 明确爬虫需求

本文需要爬取的网站是：http://www.jandan.net/ooxx

需要爬取的内容是：爬取该网站的美女图片。

1.1 需求分析

首先我们打开需要爬取的网站，选中一张美女图片，点击鼠标右键，选中检查，查看这张图片在html页面的位置。打开浏览器xpath-helper插件（没安装该插件可以通过浏览器应用安装），如下图所示：

通过使用xpath语法进行规则匹配，查找到我们想要的资源图片。同时我们也需要爬取下一页的图片数据，通过xpath语法找到下一页的url，加载下一页数据。所以我们需要采用递归的方式一页一页的爬取图片数据。

---

2. 爬虫框架的选择

本文采用Python3.6版本开发环境。

网络请求框架使用：urllib

html页面解析框架使用：lxml和xpath语法

最后将爬取的数据保存到本地文件。

2.1 框架简介

• urllib 框架

  urllib是Python3.0的一个http网络请求框架，是系统的框架，功能比较强大。

  urllib类库包含四个模块：request模块，parse模块，error模块，robotparser模块。

  我们一般常用的是urllib.request模块。下面介绍一下request模块的常用api：

  • urlopen()：请求url的方法，参数比较多，如下：

  urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,        *, cafile=None, capath=None, cadefault=False, context=None)1. url：可以是一个string或者是一个Request对象。（重点）2. data：默认是None。（重点）    如果传参需要传入dict字典类型。提供数据参数时，HTTP请求将是POST而不是GET    data应该使用application / x-www-form-urlencoded格式，需要urllib.parse.urlencode()进行编码。3. timeout：超时时间4. cafile：cafile应指向包含一系列CA证书的单个文件5. capath：capath应指向散列证书文件的目录6. cadefault：参数是否被忽略7. context：如果指定了上下文，则它必须是描述各种SSL选项的ssl.SSLContext实例。urlopen()返回的一个上下文的管理对象，对于http，https,返回的是一个http.client.HTTPResponse对象。

  • HTTPResponse对象

  HTTPResponse对象，将响应的数据封装起来，常用的方法有：response.geturl()：返回检索资源的URL，通常用于确定是否遵循重定向response.code()：返回的是响应码response.msg：返回的是响应信息response.info()：返回的是响应头信息response.read()：读取响应的数据，响应体

  详细API可看下面官方文档：

  urllib官网文档

  HTTPResponse官网文档

• lxml类库和xpath语法

  lxml类库是一个Html/XML的解析器，主要功能是如何解析和提取HTML/XML数据。

  • lxml的安装

  pip install lxml

  • lxml的api介绍

  lmxl借助etree模块，来处理xml和html的数据。如下所示：

  # 1. 将html页面数据转成ElementTree对象tree = etree.HTML(text) # 2. 解析一个html文件，返回一个ElementTree对象tree = etree.parse('xxxx.html')# 3. 通过xpath语法解析规则，解析ElementTree对象#    参数rule是xpath解析html的规则（具体参考xpath语法文档）。#    返回一个结果集（结果集有可能是Element的list集合，也有可能是字符串的list结合）results = tree.xpath(rule)# 4. 将Element/ElementTree对象转成html的文本信息，返回一个文本信息etree.tostring(element)# 5. 获取Element对象（html标签）的文本信息str = element.text

  文档参考：

  lxml官方文档

  xpath语法文档

---

3. 编写爬虫程序

我们明确需求，选择好框架后，就开始编写爬虫程序了，我们将爬虫程序分为3步，抓取数据，清洗数据，保存数据。
为了代码能很好的复用，我们把它封装成一个类JanDanSpider。定义3个方法，load_page() , parse_page() , load_image(), 如下：

class JanDanSpider(object):    def __init__(self):        pass    def load_page(self):        pass    def parse_page(self):        pass    def load_image(self):        pass

3.1 抓取网页数据

通过urllib.request模块，请求url链接，返回响应的内容。因为我们需要递归解析页面，以及加载图片，所有将请求的方法提取出来，封装成一个get_response()方法，具体如下：

import urllib.requestclass JanDanSpider(object):    def __init__(self):        pass    def get_response(self , url):        # 修改http的headers的User-Agent头字段，如果不修改，默认是Python-urllib/3.6        # 如果使用默认的User-Agent,这样就直接暴露这是一个爬虫程序，就容易导致ip被封。        headers = {            "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36"        }        # 通过Request获取一个请求对象request        request = urllib.request.Request(url, headers = headres)        # 发送请求，返回一个响应对象response         response = urllib.request.urlopen(request)        # 将服务端返回的数据返回出去        return response.read()    def load_page(self , url):        # 1. 调用get_response方法，获取网页数据        response  = self.get_response(url)        # 2. ... 下面继续    def parse_page(self):        pass    def save_image(self):        pass

3.2 清洗网页数据

当我们获取网页返回的响应数据，接下来就是使用lxml和xpath规则解析网页的数据。

在”http://www.jandan.net/ooxx“网页中，有2种图片，一种是正常显示出来的normal图片，一种是大图，需要点击查看大图才能看到。除此之外，我们还需要解析出上一页的页面的url。

因为解析的方法都是一致的，只是rule的规则不同，返回的数据不同，所以我们将复用解析方法。传入rule参数。

import urllib.requestfrom lxml import etreeclass JanDanSpider(object):    def __init__(self):        # 大图的xpath解析规则        self.rule_large = "//ol[@class='commentlist']/li//a[@class='view_img_link']/@href"        # 正常图的xpath解析规则        self.rule_normal = "//ol[@class='commentlist']/li//img/@src"        # 上一页的xpath解析规则        self.rule_pre_page = "//div[@class='comments']//a[@class='previous-comment-page']/@href"    def load_page(self , url):        # 获取服务端的响应数据        text = self.get_response(url)        # 通过大图的解析规则，处理大图的结果集        self.deal_images(self.parse_page(text, self.rule_large))        # 通过正常图的解析规则，处理正常图的结果集        self.deal_images(self.parse_page(text, self.rule_normal))        # 通过上一页的解析规则，处理上一页的结果集        self.deal_pre_page(self.parse_page(text, self.rule_pre_page))    def parse_page(self, text, rule):        """        解析页面        :param text: 服务端返回的数据        :param rule: 解析规则        :return: 返回解析页面的结果        """        # 通过etree库，将服务端返回的页面数据封装成ElementTree对象        tree = etree.HTML(text)        # 通过xpath规则(rule)解析ElementTree对象，返回数据列表        return tree.xpath(rule)    def deal_images(self, images):        """        处理页面解析获得的图片        :param images: 解析页面返回的图片集合        :return:        """        if images is not None:            # 遍历数据列表            for image in images:                if 'http:' not in image:                    # 拼接图片的url                    image = 'http:' + image                print(image)                # 下载图片                self.load_image(image)    def deal_pre_page(self, results):        """        处理下一页        :param results: 解析页面结果        :return:        """        if results is not None:            # 因为在页面有2处，解析有2个一样的地址            if len(results) > 0:                # 取第一个                url = results[0]                if self.host in url:                    if 'http:' not in url:                        # 拼接字符串                        url = 'http:' + url                        # 加载下一个页面                        self.load_page(url)    def load_image(self, image_url):        pass

3.3 保存数据

最后获取的数据，是图片的url链接，我们需要将url链接下载对应的图片，并保存到本地。

class JanDanSpider(object):    def load_image(self, image_url):        """        下载图片        :param image_url: 图片的url        :return:        """        with open(self.create_filename(image_url), 'wb')as f:            f.write(self.get_response(image_url))    def create_filename(self, image_url):        """        通过图片的url来确定存储路径        :param image_url:   图片的url        :return:        """        results = image_url.split('/')        if 'large' in image_url:            filename = 'image/large/' + results[-1]        else:            filename = 'image/normal/' + results[-1]        return filename

最后我们调用爬虫程序，然后运行：

if __name__ == 'main':    # 爬取的网站    url = "http://jandan.net/ooxx"    spider = JanDanSpider()    spider.load_page(url)

运行输出的图片url，如图：

具体代码，可参见我的github , GitHub项目地址。