Web Spider实战1——简单的爬虫实战(爬取"豆瓣读书评分9分以上榜单")

1、Web Spider简介

Web Spider，又称为网络爬虫，是一种自动抓取互联网网页信息的机器人。它们被广泛用于互联网搜索引擎或其他类似网站，以获取或更新这些网站的内容和检索方式。它们可以自动采集所有其能够访问到的页面内容，以供搜索引擎做进一步处理（分检整理下载的页面），而使得用户能更快的检索到他们需要的信息。

2、一个简单的网络爬虫案例

作者在浏览网页的时候看到豆瓣书单的网页(首页)，如下所示：

因为书单共有409本书，17个页面，若是要一个个浏览完，需要较长的时间，想要保存好书单，那是一件比较困难的事情，因此，想到是不是可以利用爬虫(Web Spider)把书名都保存下来，说干就干，下面详细介绍一下如何利用Python爬取书单。

3、单页面的抓取和分析

3.1、抓取

首先是单个页面的抓取，这里使用到了Python的urllib2库，urllib2库将网页以HTML的形式抓取到本地，代码如下：

def spider(url, user_agent="wswp"):
    print "Downloading: ", url
    # 设置代理
    headers = {"User-agent": user_agent}
    request = urllib2.Request(url, headers=headers)
    html = ""
    try:
        html = urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print "Download error: ", e.reason
        html = None
    return html

在抓取的过程中，使用到了Request方法，urlopen方法和read方法。通过以上简单的抓取，将网页以HTML的格式抓取到本地。

3.2、对抓取的页面分析

在分析模块中主要是使用到了正则表达式，使用到了Python中的re库，利用正则表达式提取出书的名字，如：

页面的分析代码如下：

def parse_page(html):
    html = html.replace("\r", "")
    html = html.replace("\n", "")
    html = html.replace("\013", "")    
    result = re.findall('
(.*?)
', html)
    book_list = []

    for x in result:
        # 得到书名
        book_name = re.findall('(.+)', x.strip())
        book_list.append(book_name[0].strip())
    return book_list

最终得到了页面上的25本书的名字，如下：

3.3、主过程

在整个过程中使用到的模块为：

import urllib2
import re 

主过程为：

if __name__ == "__main__":
    seed = "https://www.douban.com/doulist/1264675/?start=0&sort=seq&sub_type="
    html = spider(seed)
    book_list = parse_page(html)
    print len(book_list)
    for x in book_list:
        print x

4、抓取完整的书单

上面介绍了抓取其中一个页面的过程，为了能够抓取到完整的目录，需要解析所有的网页的网址，并对每一个网址都进行抓取，其中，网页的网址在页面下方的导航中：

在HTML代码中的格式为：

因此需要在分析模块中增加分析网址的功能，因此改进后的parse_page函数为：

def parse_page(html, url_map):
    # 1、去除无效的字符
    html = html.replace("\r", "")
    html = html.replace("\n", "")
    html = html.replace("\013", "")

    # 2、解析出书名
    result_name = re.findall('
(.*?)
',html)

    book_list = []
    for x in result_name:
        # 提取出书名
        book_name = re.findall('(.+)', x.strip())
        book_list.append(book_name[0].strip())

    # 3、解析出还有哪些网址
    result_url = re.findall('
(.*?)
', html)
    url_list = re.findall("[a-zA-z]+://[^\s\"]*", result_url[0])
    for x in url_list:
        x = x.strip()
        if x not in url_map:
            url_map[x] = 0
    return book_list, url_map

在解析出书名后，解析出网址。

4.2、控制

在利用函数parse_page函数抓取一个网页后，分析出网页中的书单，同时，将网页中链向其他页面的网址提取出来，这样，我们需要一个控制模块，能够对提取出的网址依次抓取，分析，提取。这样的控制模块的代码如下：

def control(seed):
    # 设置map用于记录哪些网址需要爬取
    url_map = {}
    book_list = []
    # 爬取种子网址
    html = spider(seed)
    url_map[seed] = 1 #种子网址已经爬取过
    # 解析种子网址
    book_tmp, url_map = parse_page(html, url_map)
    for x in book_tmp:
        book_list.append(x)

    # 对url_map中的的网址依次爬取
    while True:
        for k, v in url_map.items():
            if v == 0:
                # 爬取
                html = spider(k)
                url_map[k] = 1
                book_tmp, url_map = parse_page(html, url_map)
                for x in book_tmp:
                    book_list.append(x)
                break
            else:
                continue
        if 0 not in url_map.values():
            break
    return book_list

通过一个map存储所有页面的网址，key为网址，value为是否抓取过，0表示未抓取，1表示的是已抓取过。通过循环分析该map，直到所有的key对应的页面都被抓取过为止。

4.3、主函数

主函数为：

if __name__ == "__main__":
    seed = "https://www.douban.com/doulist/1264675/?start=0&sort=seq&sub_type="
    book_list = control(seed)
    print len(book_list)
    for x in book_list:
        print x

最终抓取到的书单的个数为408个，但是首页上显示有409本：

调研发现有一本书没有：

因此，整个抓取没有问题。

最终的书单的部分如下：

在上面实现了一个简单的爬虫，当然，想要抓取更多更复杂的网站，这个爬虫是不行的，接下来，我们会慢慢深入到爬虫的更多的技术。