网络爬虫入门

网络爬虫入门

  • 一、初识网络爬虫
    • (一)网络爬虫定义
    • (二)网络爬虫原理
    • (三)使用范围
    • (四)爬虫工作的过程
    • (五)爬虫分类
      • 1.通用网络爬虫
      • 2.增量爬虫
      • 3.垂直爬虫
      • 4.Deep Web爬虫
  • 二、爬取南阳理工学院ACM题目网站 http://www.51mxd.cn/ 练习题目数据
    • (一)新建.py文件
    • (二)爬取结果
    • (三)代码分析
  • 三、爬取重庆交通大学新闻网站中近几年所有的信息通知(http://news.cqjtu.edu.cn/xxtz.htm) 的发布日期和标题全部爬取
    • (一)确定爬取信息的位置
    • (二)代码实现
    • (三)运行结果
  • 四、总结
  • 五、参考资料

一、初识网络爬虫

(一)网络爬虫定义

  • 网络爬虫英文名叫Web Crawler戒Web
    Spider。
  • 它是一种自动浏览网页并采集所需要信
    息癿程序。

互联网示意图
网络爬虫入门_第1张图片

  • 每个节点都是一个网页
  • 每条边都是一个超链接
  • 网络爬虫就是从这样一个网络图中抓取感兴趣的内容

(二)网络爬虫原理

网络爬虫入门_第2张图片

  • 爬虫从初始网页的URL开始, 获取初始网页上的URL;
  • 在抓取网页的过程中, 丌断仍当前页面上抽取新的URL放入队列;
  • 直到满足系统给定的停止条件

(三)使用范围

  • 作为搜索引擎的网页搜集器,抓取整个互联网,如谷歌,百度等;
  • 作为垂直搜索引擎,抓取特定主题信息,如视频网站,招聘网站等。
  • 作为测试网站前端的检测工具,用来评价网站前端代码的健壮性

(四)爬虫工作的过程

  • URL管理模块:发起请求。一般是通过HTTP库,对目标站点进行请求。等同于自己打开浏览器,输入网址。
  • 下载模块:获取响应内容(response)。如果请求的内容存在于服务器上,那么服务器会返回请求的内容,一般为:HTML,二进制文件(视频,音频),文档,Json字符串等。
  • 解析模块:解析内容。对于用户而言,就是寻找自己需要的信息。对于Python爬虫而言,就是利用正则表达式或者其他库提取目标信息。
  • 存储模块:保存数据。解析得到的数据可以多种形式,如文本,音频,视频保存在本地。
  • 网络爬虫入门_第3张图片

(五)爬虫分类

1.通用网络爬虫

  • 通用网络爬虫又称全网爬虫(Scalable Web Crawler),
    爬行对象从·一些种子 URL 扩充到整个 Web,主要为门户
    站点搜索引擎和大型 Web 服务提供商采集数据。
  • 通用网络爬虫根据预先设定的一个或若干初始种
    子URL开始,以此获得初始网页上的URL列表,在
    爬行过程中不断从URL队列中获一个的URL,进而
    访问并下载该页面。
    网络爬虫入门_第4张图片

2.增量爬虫

  • 增量式网络爬虫(Incremental Web Crawler)是 指 对 已 下 载 网 页 采
    取增量式更新和只爬行新产生的或者已经发生发化网页的爬虫,它能够在一
    定程度上保证所爬行的页面是尽可能新的页面。
  • 增量式爬虫有两个目标:保持本地页面集中存储的页面为最新页面和提高
    本地页面集中页面的质量。
  • 通用的商业搜索引擎如谷歌,百度等,本质上都属亍增量爬虫。

3.垂直爬虫

  • 垂直爬虫,又称为聚焦网络爬虫(Focused Crawler),或主题网络爬虫(Topical Crawler) -
  • 是指选择性地爬行那些不预先定义好癿主题相关页
    面的·网络爬虫。如Email地址、电子书、商品价格等。
  • 爬行策略实现的关键是评价页面内容和链接的重要
    性,不同的方法计算出的重要性不同,由此导致链
    接的访问顺序也丌同
    网络爬虫入门_第5张图片

4.Deep Web爬虫

  • Deep Web 是那些大部分内容不能通过静态链接获取的、隐藏在搜索表单后的,叧有用户提交一些关键词才能获得的 Web 页面。
  • Deep Web 爬虫爬行过程中最重要部分就是表单填写,包含两种类型:
    • 1) 基亍领域知识的表单填写
    • 2) 基亍网页结构分析的表单填写
    网络爬虫入门_第6张图片

二、爬取南阳理工学院ACM题目网站 http://www.51mxd.cn/ 练习题目数据

(一)新建.py文件

import requests# 导入网页请求库
from bs4 import BeautifulSoup# 导入网页解析库
import csv
from tqdm import tqdm

# 模拟浏览器访问
Headers = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400'

# 表头
csvHeaders = ['题号', '难度', '标题', '通过率', '通过数/总提交数']

# 题目数据
subjects = []

# 爬取题目
print('题目信息爬取中:\n')
for pages in tqdm(range(1, 11 + 1)):
    # 传入URL
    r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)
 
    r.raise_for_status()

    r.encoding = 'utf-8'
      # 解析URL
    soup = BeautifulSoup(r.text, 'html5lib')
     #查找爬取与td相关所有内容
    td = soup.find_all('td')

    subject = []

    for t in td:
        if t.string is not None:
            subject.append(t.string)
            if len(subject) == 5:
                subjects.append(subject)
                subject = []

# 存放题目
with open('NYOJ_Subjects.csv', 'w', newline='') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)
    fileWriter.writerows(subjects)

print('\n题目信息爬取完成!!!')

(二)爬取结果

网络爬虫入门_第7张图片

点击运行后生成NYOJ_Subjects.csv文件,打开该文件
网络爬虫入门_第8张图片

(三)代码分析

1.运行环境Python3.8
网络爬虫入门_第9张图片

2.本次调用了 requests网页请求库和Beautiful Soup网页解析库

import requests# 导入网页请求库 
from bs4 import BeautifulSoup# 导入网页解析库

网络爬虫入门_第10张图片
网络爬虫入门_第11张图片
网络爬虫入门_第12张图片
3.定义访问浏览器所需的请求头和写入csv文件需要的表头以及存放题目数据的列表

# 模拟浏览器访问

# 模拟浏览器访问
Headers = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400'

# 表头
csvHeaders = ['题号', '难度', '标题', '通过率', '通过数/总提交数']#表头列表

# 题目数据
subjects = []#定义列表存放数据

4.根据表头csvHeaders中内容爬取信息,并在进度条中显示进度

# 爬取题目
print('题目信息爬取中:\n')
for pages in tqdm(range(1, 11 + 1)):#一页一页地爬取信息
    # 传入URL
    r = requests.get(f'http://www.51mxd.cn/problemset.php-page={pages}.htm', Headers)
  
    r.raise_for_status()

    r.encoding = 'utf-8'#输出文档为utf-8编码
      # 解析URL
    soup = BeautifulSoup(r.text, 'html5lib')
     #查找爬取与csvHeaders表头中相关所有内容
    td = soup.find_all('td')

    subject = []#新定义一个subject用来存放当前页面爬取的满足特征的信息

    for t in td:
        if t.string is not None:
            subject.append(t.string)
            if len(subject) == 5:#通过长度判断subject内容是否爬取到上面5项
                subjects.append(subject)#把subject存放进上面的subjects中
                subject = []#subject置空

5.把爬取内容存放文件NYOJ_Subjects.csv中

# 存放题目
with open('NYOJ_Subjects.csv', 'w', newline='') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)
    fileWriter.writerows(subjects)

print('\n题目信息爬取完成!!!')

三、爬取重庆交通大学新闻网站中近几年所有的信息通知(http://news.cqjtu.edu.cn/xxtz.htm) 的发布日期和标题全部爬取

(一)确定爬取信息的位置

1.进入网站http://news.cqjtu.edu.cn/xxtz.htm
网络爬虫入门_第13张图片

2.鼠标空白处点击后选择检查N网络爬虫入门_第14张图片
3.可以观察到需要爬取时间和标题所在位置网络爬虫入门_第15张图片

(二)代码实现

# -*- coding: utf-8 -*-
"""
Created on Wed Nov 17 14:39:03 2021

@author: 86199
"""
import requests
from bs4 import BeautifulSoup
import csv
from tqdm import tqdm
import urllib.request, urllib.error  # 制定URL 获取网页数据

# 所有新闻
subjects = []

# 模拟浏览器访问
Headers = {  # 模拟浏览器头部信息
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36 Edg/95.0.1020.53"
}

# 表头
csvHeaders = ['时间', '标题']


print('信息爬取中:\n')
for pages in tqdm(range(1, 65 + 1)):
    # 发出请求
    request = urllib.request.Request(f'http://news.cqjtu.edu.cn/xxtz/{pages}.htm', headers=Headers)
    html = ""
    # 如果请求成功则获取网页内容
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    # 解析网页
    soup = BeautifulSoup(html, 'html5lib')

    # 存放一条新闻
    subject = []
    # 查找所有li标签
    li = soup.find_all('li')
    for l in li:
        # 查找满足条件的div标签
        if l.find_all('div',class_="time") is not None and l.find_all('div',class_="right-title") is not None:
            # 时间
            for time in l.find_all('div',class_="time"):
                subject.append(time.string)
            # 标题
            for title in l.find_all('div',class_="right-title"):
                for t in title.find_all('a',target="_blank"):
                    subject.append(t.string)
            if subject:
                print(subject)
                subjects.append(subject)
        subject = []

# 保存数据
with open('test.csv', 'w', newline='',encoding='utf-8') as file:
    fileWriter = csv.writer(file)
    fileWriter.writerow(csvHeaders)
    fileWriter.writerows(subjects)

print('\n信息爬取完成!!!')




(三)运行结果

打开生成的test.csv文件如下
网络爬虫入门_第16张图片

四、总结

网络爬虫需要一定的Web基础,需要分析所要获取的内容信息的存放位置后设置条件进行爬虫。Python中通过调用库来进行爬虫获取信息比较简单方便。

五、参考资料

基础篇-爬虫基本原理
爬虫-Python编程入门
基于python爬取重庆交通大学新闻网内容

你可能感兴趣的:(笔记,爬虫,python)