Python爬虫爬数据

上一篇文章中，我们只实现了爬虫，爬取网站的源代码，但大多数情况下是我们需要爬取网站的感兴趣的内容。
通过跟踪所有的连接方式，我们可以很容易地下载到整个网站的页面。但是，这种方法会下载大量我们并不需要的网页。例如，我们想要从一个在线论坛中抓取用户帐号的详情页，那么此时我们只需要下载帐号页，而不需要下载讨论帖的页面。下面将使用正则表达式来确定需要下载哪些页面。下面是这段代码的初始版本。

import re

def link_crawler(seed_url,link_regex):
    """ Crawl from the given seed URL following links matched by link_regex :param seed_url: :param link_regex: :return: """
    crawl_queue = [seed_url]
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        # filter for links matching our regular expression
        for link in get_links(html):
            if re.match(link_regex,link):
                crawl_queue.append(link)
def get_links(html):
    """ return a list of links from html :param html: :return: """
    # a regular expression to extract all links from the webpage
    webpage_regex = re.compile(']+href=["\'](.*?)["\']',re.IGNORECASE)
    # list of all links from the webpage
    return webpage_regex.findall(html)

要运行这段代码，只需要调用link_crawler函数，并传入两个参数：要爬取的网站的URL和用于跟踪连接的正则表达式。对于示例网站，我们想要爬取的是国家列表索引页和国家页面。其中，索引页连接格式如下：
http://example.webscraping.com/index/1
http://example.webscraping.com/index/2
国家页链接格式：
http://example.webscraping.com/view/Afghanistan-1
http://example.webscraping.com/view/Aland-Islands-2
因此我们可以用/(index|view)/这个简单的正则表达式来匹配这两类网页。当爬虫适用这些输入参数运行时会发生什么呢？你会发现下面的错误。
ValueError:unknown url type:/index/1
可以看出，问题出在下载/index/1时，该链接只有网页的路径部分，而没有协议和服务器部分，也就是说这是一个相对链接。由于浏览器正在浏览哪个网页，所以在浏览器浏览时，相对链接是能够正常工作的。但是，urllib2是无法获知上下文的。为了让urllib2能够定位网页，我们需要将链接转换为绝对连接的形式，以便包含定位网页的所有细节。Python中确实有用来实现这一功能的模块，该模块称为urlparse。下面是link_crawler的改进版本，使用了urlparse模块来创建绝对路径。

import urlparse
def link_crawler(seed_url,link_regex):
    """ Crawl from the given seed URL following links matched by link_regex :param seed_url: :param link_regex: :return: """
    crawl_queue = [seed_url]
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        # filter for links matching our regular expression
        for link in get_links(html):
            if re.match(link_regex,link):
                link = urlparse.urljoin(seed_url,link)
                crawl_queue.append(link)

当运行这段代码时，会发现虽然网页下载没有出现错误，但是同样的地点总是会不断下载到。这是因为这些地点相互之间存在链接。比如澳大利亚链接到了南极洲，而南极洲也存在到澳大利亚的链接，此时爬虫就会在他们之间不断循环下去。要想避免重复爬取相同的链接，我们需要积累哪些链接已经被爬取过。下面是修改后的Link_crawler函数，已具备存储已发现URL的功能，可以避免重复下载。

import urlparse
def link_crawler(seed_url,link_regex):
    """ Crawl from the given seed URL following links matched by link_regex :param seed_url: :param link_regex: :return: """
    crawl_queue = [seed_url]
    seen = set(crawl_queue)
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        # filter for links matching our regular expression
        for link in get_links(html):
            if re.match(link_regex,link):
                link = urlparse.urljoin(seed_url,link)
                if link not in seen:
                    seen.add(link)
                    crawl_queue.append(link

当运行该脚本时，它会爬取所有地点，并且能够如期停止。最终，我们得到了一个可用的爬虫。