爬虫入门教程 | 使用Python实现简单爬虫

介绍

一段自动抓取互联网信息的程序称为爬虫，主要组成：爬虫调度器、URL管理器、网页下载器、网页解析器

（1）爬虫调度器：程序的入口，主要负责爬虫程序的控制
（2）URL管理器： 1、添加新的URL到代爬取集合2、判断待添加URL是否已存在3、判断是否还有待爬取的URL,将URL从待爬取集合移动到已爬取集合
URL存储方式：Python内存即set（）集合，关系数据库、缓存数据库
（3）网页下载器：根据URL获取网页内容，实现由有urllib2和request
（4）网页解析器：从网页中提取出有价值的数据，实现方法有：正则表达式、html.parser、BeautifulSoup、lxml

网页下载器-urllib2

第一种

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()

第二种：添加data、http header

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)

第三种：添加特殊情景的处理器

1、需要登录、需要代理、HTTPS加密访问、url自动跳转

import urllib2,cookielib

#创建cookie容器
cj=cookielib.CookieJar()

#创建1个opener
opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

#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/")

import urllib.request
import http.cookiejar

url="http://www.baidu.com"

print("第一种方法")
response1=urllib.request.urlopen(url)
html=response1.read()
code=response1.getcode()
print(code)
print(len(html))

print("第二种方法")
request=urllib.request.Request(url)
request.add_header("user-agent","Mozilla/5.0")
response2=urllib.request.urlopen(request)
print(response2.getcode())
print(len(response2.read()))


print("第三种方法")
cj=http.cookiejar.CookieJar()
opener=urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
urllib.request.install_opener(opener)
response3=urllib.request.urlopen(url)
print(response3.getcode())
print(cj)
print(response3.read())

网页解析器

结构化解析-DOM（Document Object Model）树

import re

from bs4 import BeautifulSoup
html_doc = """


The Dormouse's story

Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.

...
"""


soup=BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')
print("获取所有的链接")
links=soup.find_all('a')
for link in links:
    print(link.name,link['href'],link.get_text())

print("获取lacie的链接")
link_node=soup.find('a',href='http://example.com/lacie')
print(link_node.name,link_node['href'],link_node.get_text())

print("获取正则匹配表达式")

link_node=soup.find('a',href=re.compile(r'ill'))
print(link_node.name,link_node['href'],link_node.get_text())

print("p段落名字")
link_node=soup.find('p',class_='title')
print(link_node.name,link_node.get_text())

运行结果

获取所有的链接
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie
获取lacie的链接
a http://example.com/lacie Lacie
获取正则匹配表达式
a http://example.com/tillie Tillie
p段落名字
p The Dormouse’s story

---

实例爬虫-爬取百度百科1000个页面的数据

确定目标-》分析目标（URL格式、数据格式、网页编码）-》编写代码-》执行爬虫

程序思路：主程序从初始URL开始，先通过URL管理器将初始URL放入待爬集合，再循环从待爬集合中获取URL，使用网页下载器获取URL指向网页，再对网页进行解析获取价值数据和关联URL，关联URL经判断再由URL管理器存入待爬集合，继续进行循环直到复合跳出条件或待爬集合为空。

1、准备工作

（1）链接分析
href=”/view/10812319.htm” 是一个不完整的url, 在代码中需要拼接成完整的 baike.baidu.com/view/10812319.htm 才能进行后续的访问。

（2）标题分析
标题内容在< dd class> 下的 < h1 > 子标签中。

（3）简介分析
可看到简介内容在< class=”lemma-summary” > 下
　
（4）查看编码方式

（5）分析目标汇总

2、编写代码

调度程序：spyder_main.py

from baike_spider import html_downloader
from baike_spider import html_outputer
from baike_spider import html_parser
from baike_spider import url_manager


class SpiderMain(object):
    # 构造函数，初始化
    def __init__(self):
        self.urls = url_manager.UrlManager()  # url管理器
        self.downLoader = html_downloader.HtmlDownloader()  # 下载器
        self.parser = html_parser.HtmlParser()  # 解析器
        self.outputer = html_outputer.HtmlOutputer()  # 输出器

    # root_url入口url
    def craw(self, root_url):
        count = 1  # 记录当前爬去的第几个url
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():  # 判断有没有ur
            try:
                new_url = self.urls.get_new_url()  # 如果有url，就添加到urls
                print("craw %s : %s" % (count, new_url))
                html_cont = self.downLoader.download(new_url)  # 下载的页面数据
                new_urls, new_data = self.parser.parse(new_url, html_cont)  # 解析
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)  # 收集
                if count == 1000:
                    break
                count = count + 1
            except:
                print("craw failed")

        self.outputer.output_html()


if __name__ == '__main__':
    root_url = 'https://jingyan.baidu.com/article/2c8c281df0afd00008252aa7.html'
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

URL管理器：url_manager.py

class UrlManager(object):
    # 维护两个列表，待爬取列表，爬取过的列表
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    def add_new_url(self, url):  # 向管理器添加新的url
        if url is None:
            return
        # 该url即不在待爬取的列表也不在已爬取的列表
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)  # 用来待爬取

    def add_new_urls(self, urls):  # 向管理器中添加批量url
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    def has_new_url(self):  # 判断管理器是否有新的url
        # 如果待爬取的列表不等于0就有
        return len(self.new_urls) != 0

    def get_new_url(self):  # 从管理器获取新的url
        new_url = self.new_urls.pop()  # 从待爬取url集合中取一个url，并把这个url从集合中移除
        self.old_urls.add(new_url)  # 把这个url添加到已爬取的url集合中
        return new_url

HTML下载器：html_downloader.py

import urllib.request


class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return

        response = urllib.request.urlopen(url)

        if response.getcode() != 200:
            return None

        return response.read()

HTML解析器：html_parser.py

from bs4 import BeautifulSoup
import re
import urllib.parse


class HtmlParser(object):
    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
        new_urls = self._get_new_urls(page_url, soup)  # 解析url列表
        new_data = self._get_new_data(page_url, soup)  # 解析数据
        return new_urls, new_data

    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /view/123.html
        links = soup.find_all('a', href=re.compile(r'/view/[a-zA-Z0-9]+\.htm'))  # 获取所有的连接
        # 得到所有词条的url
        for link in links:
            new_url = link['href']  # 获取链接
            # 把new_url按照和paga_url合并成一个完整的url
            new_full_url = urllib.parse.urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls

   #获取标题与简介
    def _get_new_data(self, page_url, soup):
        res_data = {}

        # url
        res_data['url'] = page_url

        # 
Python
        # 标题标签
        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')
        res_data['title'] = title_node.get_text()
        # 


        summary_node = soup.find('div', class_="lemma-summary")
        res_data['summary'] = summary_node.get_text()

        return res_data

HTML输出器：html_outputer.py

class HtmlOutputer(object):
    def __init__(self):
        self.datas = []  # 建立列表存放数据

    def collect_data(self, data):  # 收集数据
        if data is None:
            return
        self.datas.append(data)

    def output_html(self):  # 用收集好输出到html文件中
            fout = open('output.html', 'w', encoding='utf-8')# 写模式
            fout.write("")
            fout.write("")
            fout.write("")
            fout.write("")  # 输出为表格形式# asciifor data in self.datas:
                fout.write("")
                fout.write("" % data['url'])  # 输出url
                fout.write('' % data['title'])
                fout.write('' % data['summary'])
                fout.write("")

            fout.write("

            
            
%s
%s
%s
")
            fout.write("")
            fout.write("")  # 闭合标签

            fout.close()