【Python】简单的网络爬虫

完整代码


# encoding:UTF-8

# from bs4 import BeautifulSoup

import urlparse

import urllib2

import re

import robotparser

import datetime

import time

import itertools

import Queue  # 同步的、线程安全的队列类

import lxml.html

import lxml.cssselect

import csv


def crawl_sitemap(url, scrape_callback=None):

    """

    1.通过robots文件记录的链接爬虫

    :param url:

    :return:如果有回调函数,返回回调结果

    """

    sitemap = urllib2.urlopen(url).read()

    links = re.findall('(.*?)', sitemap)

    if scrape_callback:

        for link in links:

            html = urllib2.urlopen(link).read()

            scrape_callback(link, html)


def crawl_id(url, scrape_callback=None):

    """

    2.通过ID爬虫,连续发生多次下载错误才会退出

    :param url:含有ID的链接的公共部分,没有/

    :return:

    """

    max_error = 5

    num_error = 0

    throttle = Throttle(5)

    for page in itertools.count(1):  # 迭代器,从1开始

        link = url + ("/-%d" % page)

        html = urllib2.urlopen(link).read()

        if html is None:

            num_error += 1

            if num_error == max_error:

                break

        else:  # 网页存在

            throttle.wait(link)

            scrape_callback(link, html)

            num_error = 0


def link_crawler(seed_url, link_regex=None, delay=-1, max_depth=1, max_urls=-1,

                headers=None, user_agent="wswp", proxy=None, num_retries=2, scrape_callback=None):

    """

    3.通过链接爬虫,深度优先,禁用某些功能可将其参数设为负数

    待爬虫队列存在,逐一判断robots访问权限,在等待一定时间后进行下载,

    并根据访问深度决定是否继续进行访问。如继续,根据正则表达式匹配获

    取链接集,逐一规范化后,若某链接没有被访问过,且域名和种子网址域名相同,

    则归入待爬虫队列。每完成一次访问,链接总数+1

    :param seed_url:种子链接

    :param link_regex:目标链接识别正则表达式

    :param user_agent:用户代理

    :return:爬虫结果

    """

    crawl_queue = Queue.deque([seed_url])

    seen = {seed_url: 0}

    num_urls = 0

    rp = get_robots(seed_url)

    throttle = Throttle(delay)

    headers = headers or {}

    if user_agent:

        headers['User-agent'] = user_agent

    while crawl_queue:

        url = crawl_queue.pop()

        depth = seen[url]

        if rp.can_fetch(user_agent, url):

            throttle.wait(url)

            html = download(url, headers, proxy=proxy, num_retries=num_retries)

            links = []

            if scrape_callback:

                # links.extend(scrape_callback(url, html) or [])

                scrape_callback(url, html)

            if depth != max_depth:

                # 获取链接

                if link_regex:

                    links.extend(link for link in get_links(html) if re.match(link_regex, link))

                # 如果没有被访问过,且域名相同,归入连接诶队列

                for link in links:

                    link = normalize(seed_url, link)

                    if link not in seen:

                        seen[link] = depth + 1

                        if same_domain(seed_url, link):

                            crawl_queue.append(link)

            num_urls += 1

            if num_urls == max_urls:

                break

        else:

            print("Blocked by robots.txt:", url)


class Throttle:

    """

    在两次下载之间添加时间延迟

    """

    def __init__(self, delay):

        self.delay = delay  # 延迟多长时间

        self.domains = {}  # 字典记录域名最后一次被访问的时间地图

    def wait(self, url):

        """

        功能:页面休眠

        urlparse将url(http://开头)解析成组件

        组件:协议(scheme)、位置(netloc)、路径(path)、可选参数(parameters)、查询(query)、片段(fragment)

        :param url:

        :return:

        """

        domain = urlparse.urlparse(url).netloc

        last_accessed = self.domains.get(domain)

        if self.delay > 0 and last_accessed is not None:

            sleep_secs = self.delay - (datetime.datetime.now() - last_accessed).seconds

            if sleep_secs > 0:

                time.sleep(sleep_secs)

        self.domains[domain] = datetime.datetime.now()


class ScrapeCallback:

    def __init__(self):

        self.writer = csv.writer(open('countries.csv', 'w'))

        self.fields = ('area', 'population', 'iso', 'country', 'capital',

                      'continent', 'tld', 'currency_code', 'currency_name',

                      'phone', 'postal_code_format', 'postal_code_regex', 'languages')

        self.writer.writerow(self.fields)

    def __call__(self, url, html):

        """

        :param url:判断是否是目标链接

        :param html:下载数据的页面

        :return:

        """

        if re.search('/view/', url):

            tree = lxml.html.fromstring(html)

            row = []

            for field in self.fields:

                row.append(tree.cssselect('table>tr#places_{}__row>td.w2p_fw'.format(field))[0].text_content())

            self.writer.writerow(row)


def download(url, headers, proxy, num_retries, data=None):

    """

    设置一般的请求后,根据爬虫代理参数选择是否使用特定处理器来获取链接

    若遇到50X网页暂时无法访问的情况,尝试多次后无果则退出

    :param url:链接

    :param user_agent:用户代理

    :param proxy:协议,ip端口

    :param num_retries:出错是尝试访问多少次

    :return: 整个网页的源代码

    """

    print("Downloading:", url)

    request = urllib2.Request(url, data, headers)

    opener = urllib2.build_opener()  # 用特定处理器来获取urls

    if proxy:

        proxy_params = {urlparse.urlparse(url).scheme: proxy}

        opener.add_handler(urllib2.ProxyHandler(proxy_params))

    try:

        html = urllib2.urlopen(request).read()

        # # 数据获取方式1:正则表达式(C、快、使用困难、灵活性差)

        # result = re.findall('(.*?)', html)

        # if result:

        #    print(result[1])

        # # 数据获取方式2:通过beautifulsoup(Python、慢、安装简单)

        # soup = BeautifulSoup(html, 'html.parser')

        # tr = soup.find(attrs={'id': 'places_area__row'})

        # if tr:

        #    td = tr.find(attrs={'class': 'w2p_fw'})

        #    area = td.text

        #    print(area)

        # # 数据获取方式3:通过lxml(快、大量数据抓取效果更明显、安装相对困难)

        # tree = lxml.html.fromstring(html)

        # td = tree.cssselect('tr#places_neighbours__row > td.w2p_fw')

        # if td:

        #    area = td[0].text_content()

        #    print(area)

    except urllib2.URLError as e:

        print("Download error:", e.reason)

        html = None

        if num_retries > 0:

            if hasattr(e, 'code') and 500 <= e.code <= 600:

                return download(url, headers, proxy, num_retries - 1, data)

    return html


def get_links(html):

    """

    提取网页中的所有链接

    :param html:

    :return:

    """

    webpage_regex = re.compile(']+href=["\'](.*?)["\']',

                              re.IGNORECASE)  # re.compile()函数将字符串形式的正则表达式转换成模式

    return webpage_regex.findall(html)


def get_robots(url):

    """

    :param url:

    :return: 包含robots信息的对象

    """

    rp = robotparser.RobotFileParser()

    rp.set_url(urlparse.urljoin(url, '/robots.txt'))

    rp.read()

    return rp


def normalize(seed_url, link):

    """

    链接规范化,相对路径转化成绝对路径

    :param seed_link:

    :param link:

    :return:

    """

    link, _ = urlparse.urldefrag(link)  # 去掉碎部(链接#后的部分)

    return urlparse.urljoin(seed_url, link)


def same_domain(url1, url2):

    """

    两个链接的域名相同,为True

    :param url1:

    :param url2:

    :return:

    """

    return urlparse.urlparse(url1).netloc == urlparse.urlparse(url2).netloc


def main():

    ## 1.通过robots文件记录的链接爬虫

    # crawl_sitemap('http://example.webscraping.com/sitemap.xml', scrape_callback=ScrapeCallback())

    # # 2.通过ID爬虫

    # crawl_id('http://example.webscraping.com/places/default/view',scrape_callback=ScrapeCallback())

    # 3.通过链接爬虫

    link_crawler('http://example.webscraping.com', '/places/default/(view|index)',

                delay=0, num_retries=5, max_depth=2, user_agent='GoodCrawler', scrape_callback=ScrapeCallback())


main()

你可能感兴趣的:(【Python】简单的网络爬虫)