五年Python爬虫程序员整理的全栈爬虫知识点

1 最简单的单页面抓取

思路：

• 获取页面所有url
• 对获取的所有url进行分类
• A 获取属于本域名下的url
• B 获取属于其他url

2 用到的模块

• urllib
• bs4
• re正则表达式

如果有想学习python的程序员，可来我的python学习扣qun：835017344，免费送python的视频教程噢！我每晚上8点还会在群内直播讲解python知识，欢迎大家前来学习交流。

 

3 代码说明：

import urllib
from bs4 import BeautifulSoup
import re
def get_all_url(url):
 urls = []
 web = urllib.urlopen(url)#使用urllib模块的urlopen函数打开url，复制给web
soup =BeautifulSoup(web.read())#将web内容转化为beautigulsoup格式的数据。
#通过正则过滤合理的url(针对与freebuf.com来讲)
 tags_a =soup.findAll(name='a',attrs={'href':re.compile("^https?://")})
 #soup.findall函数的运用，配合正则表达式来过滤url
 try :
 for tag_a in tags_a:
#re：^ 表示匹配字符串开头例如，^ abc 匹配 abc
 ？ 表示匹配前一个字符串0次或1次，例如 abc？ 匹配 ab 和 abc
 #return urls
 except:
 pass
 return urls
#得到所有freebuf.com下的url
def get_local_urls(url):
 local_urls = []
 urls = get_all_url(url)
 for _url in urls:
 ret = _url
 if 'freebuf.com' in ret.replace('//','').split('/')[0]:
 local_urls.append(_url)
 return local_urls
 #if 'freebuf.com' in ret.replace('//','').split('/')[0]:这个if语句不是很明白，通过split（）函数，把域名分割，获取分割后组成的类表的第一个字符串。但是在分割前为什么要把//替换成空格？？？
#得到所有的不是freebuf.com域名的url
def get_remote_urls(url):
 remote_urls = []
 urls = get_all_url(url)
 for _url in urls:
 ret = _url
 if "freebuf.com" not in ret.replace('//','').split('/')[0]:
 remote_urls.append(_url)
 return remote_urls
 #主函数
def __main__():
 url = 'http://freebuf.com/'
 rurls = get_remote_urls(url)
 print "--------------------remote urls-----------------------"
 for ret in rurls:
 print ret
 print "---------------------localurls-----------------------" 
 lurls = get_local_urls(url)
 for ret in lurls:
 print ret
if __name__ == '__main__':
__main__()

上面是单独对一个页面抓取。如果对整个站点抓取的话，还设计到url的处理，用作者的原话：

我们可以把整站当成一个错综复杂的图结构，有一些算法基础的读者都会知道图的简单遍历方法：dfs和bfs（深度优先和广度优先）。如果这里读者有问题的话建议先去学习一下这两种算法。大体的算法结构我们清楚了，但是在实现中我们显然需要特殊处理url，需要可以区分当前目标站点域名下的网站和其他域名的网站，除此之外，在href的值中经常会出现相对url，这里也要特别处理。

下面是代码：

import urllib
from bs4 import BeautifulSoup
import urlparse
import time
import urllib2
 #urllib 和 urllib2的区别http://blog.csdn.net/dolphin_h/article/details/45296353
url = "http://xxxx.xx/"
domain = "xxxx.xx"
deep = 0
tmp = ""
sites = set()
visited = set()
#local = set()
#集合：
python的set和其他语言类似, 是一个无序不重复元素集, 基本功能包括关系测试和消除重复元素. 集合对象还支持union(联合), intersection(交), difference(差)和sysmmetric difference(对称差集)等数学运算. 
def get_local_pages(url,domain):
 global deep
 global sites
 global tmp
 repeat_time = 0
 pages = set()
 #防止url读取卡住
 while True:
 try:
 print "Ready to Open the web!"
 time.sleep(1)
 #time.sleep（）函数，
 Python time sleep() 函数推迟调用线程的运行，可通过参数secs指秒数，表示进程挂起的时间
 print "Opening the web", url
 web = urllib2.urlopen(url=url,timeout=3)
 print "Success to Open the web"
 break
 except:
 print "Open Url Failed !!! Repeat"
 time.sleep(1)
 repeat_time = repeat_time+1
 if repeat_time == 5:
 return
 #上面整段判断url能不能打开
 print "Readint the web ..."
 soup = BeautifulSoup(web.read())
 print "..."
#提取标签 a
 for tag in tags:
 #避免参数传递异常
 try:
 ret = tag['href']
 except:
 print "Maybe not the attr : href"
 continue
 o = urlparse.urlparse(ret)
 #urlparse.urlparse函数的使用
 urlparse模块主要是把url拆分为6部分，并返回元组。并且可以把拆分后的部分再组成一个url。主要有函数有urljoin、urlsplit、urlunsplit、urlparse等。 
urlparse.urlparse(urlstring[, scheme[, allow_fragments]])
 将urlstring解析成6个部分，它从urlstring中取得URL，并返回元组 (scheme, netloc, path, parameters, query, fragment)，但是实际上是基于namedtuple，是tuple的子类。它支持通过名字属性或者索引访问的部分URL，每个组件是一串字符，也有可能是空的。组件不能被解析为更小的部分，%后面的也不会被解析，分割符号并不是解析结果的一部分，除非用斜线转义，注意，返回的这个元组非常有用，例如可以用来确定网络协议(HTTP、FTP等等 )、服务器地址、文件路径，等等。
 """
 #Debug I/O
 for _ret in o:
 if _ret == "":
 pass
 else:
 print _ret
 """
 #处理相对路径url
 if o[0] is "" and o[1] is "":
 print "Fix Page: " +ret
 url_obj = urlparse.urlparse(web.geturl())
 #获取web页面的url，用urlparse函数抽离
 ret = url_obj[0] + "://" + url_obj[1] + url_obj[2] + ret
 #组成一个绝对url
 #保持url的干净
 ret = ret[:8] + ret[8:].replace('//','/')
 o = urlparse.urlparse(ret)
 #这里不是太完善，但是可以应付一般情况
 if '../' in o[2]:
 paths = o[2].split('/')
 for i inrange(len(paths)):
 if paths[i] == '..':
 paths[i] = ''
 if paths[i-1]:
 paths[i-1] = ''
 tmp_path = ''
 for path in paths:
 if path == '':
 continue
 tmp_path = tmp_path + '/' +path
 ret =ret.replace(o[2],ret_path)
 print "FixedPage: " + ret
 上面整段都是判断获到的url是绝对url还是相对url。如果是相对url，则还需进行重组成完善的绝对url。包括url中含../的情况进行处理。但是处理../的情况不理解!!???
 #协议处理
 if 'http' not in o[0]:
 print "Bad Page：" + ret.encode('ascii')
 continue
 #url合理性检验
 if o[0] is "" and o[1] is not "":
 print "Bad Page: " +ret
 continue
 #域名检验
 if domain not in o[1]:
 #变量domain用来检验获取的所有url是否是改域名下的
 print "Bad Page: " +ret
 continue
 #整理，输出
 newpage = ret
 if newpage not in sites:
 print "Add New Page: " + newpage
 pages.add(newpage)
 return pages
#dfs算法遍历全站
def dfs(pages):
 #无法获取新的url说明便利完成，即可结束dfs
 if pages is set():
 return
 global url
 global domain
 global sites
 global visited
 sites = set.union(sites,pages)
 for page in pages:
 if page not in visited:
 print "Visiting",page
 visited.add(page)
 url = page
 pages = get_local_pages(url, domain)
 dfs(pages)
 print "sucess"
 #整段程序下来，一直不知道 变量domain用来检验获取的所有url是否是改域名下的
pages = get_local_pages(url, domain)
dfs(pages)
for i in sites:
print i

整个的大概思路是：

• 传入url
• 判断能否打开
• 打开url，获取整个改url的web信息
• 提取属性‘href’
• 遍历提取到的链接，这里叫做url2
• 判断url是否为相对url
• 是的话
• 对其进行抽离[urlparse.urlparse()]
• 重组
• （处理相对url）
• 最后检验协议、url域名。
• 带入遍历算法。
• 最后是web元素的处理

两个模块

bs4模块和docx模块的使用

**bs4前面有写

我们重点要讲findAll方法的两个参数：name和attr**

Name： 指的是标签名，传入一个标签名的名称就可以返回所有固定名称的标签名

Attr： 是一个字典存储需要查找的标签参数，返回对应的标签

• Tag.children 表示获取tag标签的所有子标签
• Tag.string 表示获取tag标签内的所有字符串，不用一层一层索引下去寻找字符串
• Tag.attrs[key] 表示获取tag标签内参数的键值对键为key的值
• Tag.img 表示获取tag标签的标签名为img的自标签（一个）

docx模块：

在使用这个模块的时候，要记清楚如果：

pip install python-docx

easy_install python-docx

两种方式安装都不能正常使用的话，就需要下载tar包自己手动安装

Docx模块是一个可以直接操作生成docx文档的python模块，使用方法极尽简单：

• Demo = Document() #在内存中建立一个doc文档
• Demo.add_paragraph(data) #在doc文档中添加一个段落
• Demo.add_picture(“pic.png”) #doc文档中添加一个图片
• Demo.save(‘demo.docx’) #存储docx文档

观察html结构：

我们大致观察一下结构，定位到文章的具体内容需要找到标签，然后再遍历标签的子标签即可遍历到所有的段落，配图资料

这样定位到图片，那么我们怎么样来寻找

from docx import Document
from bs4 import BeautifulSoup
import urllib
url ="http://freebuf.com/news/94263.html"
data = urllib.urlopen(url)
document = Document()
soup = BeautifulSoup(data)
article = soup.find(name ="div",attrs={'id':'contenttxt'}).children
#这段是提取我们所要的信息
for e in article:
 try:
 if e.img:
 pic_name = ''
 print e.img.attrs['src']
 if 'gif' in e.img.attrs['src']:
 pic_name = 'temp.gif'
 elif 'png' in e.img.attrs['src']:
 pic_name = 'temp.png'
 elif 'jpg' in e.img.attrs['src']:
 pic_name = 'temp.jpg'
 else:
 pic_name = 'temp.jpeg'
 urllib.urlretrieve(e.img.attrs['src'], filename=pic_name)
 #下面我们再来看看 urllib 模块提供的 urlretrieve() 函数。urlretrieve() 方法直接将远程数据下载到本地。
#1
>>> help(urllib.urlretrieve)
#2
Help on function urlretrieve in module urllib:
#3
#4
urlretrieve(url, filename=None, reporthook=None, data=None)
#参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
#参数 reporthook 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
#参数 data 指 post 到服务器的数据，该方法返回一个包含两个元素的(filename, headers)元组，filename 表示保存到本地的路径，header 表示服务器的响应头。
 document.add_picture(pic_name)
 except:
 pass
 if e.string:
 print e.string.encode('gbk','ignore')
 document.add_paragraph(e.string)
document.save("freebuf_article.docx")
print "success create a document"