Python 开发简单爬虫 - 基础框架
1. 目标：开发轻量级爬虫（不包括需登陆的 和 Javascript异步加载的）
不需要登陆的静态网页抓取
2. 内容：
2.1 爬虫简介
2.2 简单爬虫架构
2.3 URL管理器
2.4 网页下载器（urllib2）
2.5 网页解析器（BeautifulSoup）
2.6 完整实例：爬取百度百科Python词条相关的1000个页面数据
3. 爬虫简介：一段自动抓取互联网信息的程序
爬虫价值：互联网数据，为我所用。
4. 简单爬虫架构：
运行流程：
5. 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、防止循环抓取
- 实现方式：
6. 网页下载器：将互联网URL对应的网页下载到本地的工具
- 分类：
- urllib2 下载网页的方法：
1. 最简洁方法： url ===> urllib2.urlopen(url)
|
1
2
3
4
5
6
7
8
9
10
|
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()
|
2. 添加data、http header： （url，data，header） ===> urllib2.Request ===> urllib2.urlopen(request)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import
urllib2
# 创建Request对象
request
=
urllib2.Request(url)
# 添加数据
request.add_data(
'a'
,
'1'
)
# 添加http的header
request.add_header(
'User-Agent'
,
'Mozilla/5.0'
)
# 发送请求获取结果
response
=
urllib2.urlopen(request)
|
3. 添加特殊情景的处理器：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import
urllib2, cookielib
# 创建cookie容器
cj
=
cookielib.CookieJar()
# 创建1个opener
opener
=
urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
# 给urllib2安装opener
urllib2.install_opener(opener)
# 使用带有cookie的urllib2访问网页
response
=
urllib2.urlopen(“http:
/
/
www.baidu.com
/
”)
|
7. urllib2 实例代码演示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 14 10:31:06 2017
@author: Wayne
"""
import
urllib2, cookielib
url
=
"http://www.baidu.com"
print
"the 1st method"
response1
=
urllib2.urlopen(url)
print
response1.getcode()
print
len
(response1.read())
print
"the 2nd method"
request
=
urllib2.Request(url)
request.add_header(
"user-agent"
,
"Mozilla/5.0"
)
response2
=
urllib2.urlopen(request)
print
response2.getcode()
print
len
(response2.read())
print
"the 3rd method"
cj
=
cookielib.CookieJar()
opener
=
urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
response3
=
urllib2.urlopen(url)
print
response3.getcode()
print
cj
print
response3.read()
|
8. 网页解析器：从网页中提取有价值数据的工具
python 的网页解析器：
结构化解析 - DOM ( Document Object Model) 树：
9. 网页解析器 - Beautiful Soup
9.1 Beautiful Soup
- Python 第三方库，用于从HTML或XML中提取数据
- 官网：http://www.crummy.com/software/BeautifulSoup
9.2 安装并测试 beautifulsoup4
- 安装：pip install beautifulsoup4
- 测试：import bs4
9.3 Beautiful Soup语法
9.4 创建 BeautifulSoup 对象
|
1
2
3
4
5
6
7
|
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
'html.parser'
# HTML解析器
from_encoding
=
'utf-8'
# HTML文档的编码
)
|
9.5 搜索节点（find_all， find）
|
1
2
3
4
5
6
7
8
9
10
|
# 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
=
'/view/123.htm'
)
soup.find_all(
'a'
, href
=
re.compiler(r
'/view/\d+\.htm'
))
# 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'
)
|
9.6 访问节点信息
|
1
2
3
4
5
6
7
8
9
10
|
# 得到节点： <a href='1.html'>Python</a>
# 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()
|
10. BeautifulSoup 实例测试
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 14 11:00:42 2017
@author: Wayne
"""
from
bs4
import
BeautifulSoup
import
re
html_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
=
'urf-8'
)
print
'\n## Get all the links'
links
=
soup.find_all(
'a'
)
for
link
in
links:
print
link.name, link[
'href'
], link.get_text()
print
'\n## Get the links include "lacie"'
link_node
=
soup.find(
'a'
, href
=
'http://example.com/lacie'
)
print
link_node.name, link_node[
'href'
], link_node.get_text()
print
'\n## RE matching'
link_node
=
soup.find(
'a'
, href
=
re.
compile
(r
"ill"
))
print
link_node.name, link_node[
'href'
], link_node.get_text()
print
'\n## Get "P" Paragraph Text'
p_node
=
soup.find(
'p'
,
class_
=
'title'
)
print
p_node.name, p_node.get_text()
|