以下内容参考自:http://www.imooc.com/learn/563
《Python开发简单爬虫》
写在前面:花了两天的时间学习《Python开发简单爬虫》,将视频的主要内容保存成文字,供自己复习。版权归慕课网和讲视频的老师所有。
一、爬虫简介
爬虫:一段自动抓取互联网信息的程序
爬虫可以从一个url出发,访问其所关联的所有的url。并从每个url指向的网页中,获取我们所需要的信息。
二、简单爬虫架构
1.Python简单爬虫架构
(1)爬虫调度端:启动爬虫、停止爬虫、监视爬虫的运行情况。
(2)在爬虫程序中,有三个模块:
1)Url管理器:管理将要爬取的url和已经爬取的url。将待爬取的url传送给网页下载器。
2)网页下载器:将Url指定的网页下载下来,保存为一个字符串。将这个字符串传送给网页解析器进行解析。
3)网页解析器:一方面,会解释出有价值的数据;另一方面,解析出字符串中的url,将其补充到url管理器。
这三个模块,形成了一个循环。只有有未爬取的url,这个循环就会一直继续下去。
2.Python简单爬虫架构的动态运行流程
三、分别讲解各模块设计思路
1.URL管理器
作用:管理待抓取URL集合和已抓取URL集合
目的:防止重复抓取、防止循环抓取
实现方式:
在这里,我们选用Python的set()来实现小型的url管理器
2.网页下载器
作用:将互联网上URL对应的网页下载到本地的工具
工作流程:
实现方式:
在这里,我们选择urllib2这个简单的模块,来实现代码的下载。
使用urllib2下载网页的三种方法:
#coding:utf8
import urllib2
import cookielib
url = "http://www.baidu.com"
print "first method"
response1 = urllib2.urlopen(url)
#if 200,succeed
print response1.getcode()
print len(response1.read())
print "second 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 "three method"
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print cj
print len(response3.read())
3.网页解析器
作用:从网页中提取有价值的数据
从下载好的html网页或者字符串中,可以提取出url、有价值的数据。
类型:正则表达式、html.parser、BeautifulSoup、lxml
其中,BeautifulSoup这个第三方插件可以使用html.parser和lxml作为它的解析器。
其中,正则表达式是模糊匹配,另外三种则是结构化的解析。
附,结构化解析:
四、实战:使用Python爬虫抓取百度百科的1000个页面
1.分析目标
目标:百度百科Python词条相关词条网页-标题和简介
入口页:http://baike.baidu.com/view/21087.htm
URL格式:
--词条页面URL:/view/21087.htm
数据格式:
--标题:***
--简介:***
页面编码:UTF-8
2.调度程序
程序目录:
spider_main.py:
# coding:utf8
from baike_spider import url_manager, html_downloader, html_parser,\
html_outputer
class SpiderMain(object):
def __init__(self):
self.urls = url_manager.UrlManager()
self.downloader = html_downloader.HtmlDownloader()
self.parser = html_parser.HtmlParser()
self.outputer = html_outputer.HtmlOutputer()
def craw(self, root_url):
count = 1
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()
print 'crow %d : %s' % (count, new_url)
html_cont = self.downloader.download(new_url)
new_urls, new_data = self.parser.parse(new_url, html_cont)
self.urls.add_new_urls(new_urls)
self.outputer.collect_data(new_data)
if count == 1000:
break
count = count + 1
except:
print 'craw failed'
self.outputer.output_html()
if __name__ == "__main__":
root_url = "http://baike.baidu.com/view/21087.htm"
obj_spider = SpiderMain()
obj_spider.craw(root_url)
3.URL管理器
url_manager.py:
# coding:utf8
class UrlManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
def add_new_url(self, url):
if url is None:
return
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
def add_new_urls(self, urls):
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
def has_new_url(self):
return len(self.new_urls) != 0
def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
4.HTML下载器
html_downloader.py:
# coding:utf8
import urllib2
class HtmlDownloader(object):
def download(self,url):
if url is None:
return None
response = urllib2.urlopen(url)
if response.getcode() != 200:
return None
return response.read()
5.HTML解析器:
html_parser.py:
# coding:utf8
from bs4 import BeautifulSoup
import re;
import urlparse
class HtmlParser(object):
def _get_new_urls(self, page_url, soup):
new_urls = set()
# /view/123.htm
links = soup.find_all('a',href=re.compile(r"/view/\d+\.htm") )
for link in links:
new_url = link['href']
new_full_url = urlparse.urljoin(page_url, new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
res_data = {}
#url,current url
res_data['url'] = page_url
#Python
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
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)
new_data = self._get_new_data(page_url, soup)
return new_urls, new_data
6.HTML输出器:
html_outputer.py:
# coding:utf8
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
#print data
def output_html(self):
fout = open('output.html', 'w')
fout.write('')
fout.write("")
fout.write('')
fout.write('')
for data in self.datas:
fout.write('')
fout.write('%s ' % data['url'])
fout.write('%s ' % data['title'].encode('utf-8'))
fout.write('%s ' % data['summary'].encode('utf-8'))
fout.write(' ')
fout.write('
')
fout.write('')
fout.write('')
fout.close()
以上就是完整的实现代码啦。
五、运行结果
首先,在console中会打印出相应信息。
同时,还会输出一个html。
至此,结束。整个工程代码如下:
python爬虫-抓取百度百科页面