【爬了个爬——学习Python网络爬虫】1.抓取页面

 

建立一个网络爬虫程序，最重要的事情就是：明确我要抓取什么，以及怎样抓取。大部分情况下，我们会希望抓取到网页中包含某些关键字的内容或者某些url，首先要实现的是对单个网页实行抓取。

我们以一个具体的应用为例：如何的得到cnblog中某个人博客中所有随笔的题目以及连接。

首先，我们要得到需要进行爬虫操作的网页地址，通过python系统库内的urllib2这个Module获得对应的HTML源码。

import urllib2
contents = urllib2.urlopen("http://www.baidu.com").read()
print contents

通过上面这三句就可以将URL的源码存在content变量中，其类型为字符型。

如果打印contents，你会发现现实的内容其实就是目标网页的源代码，接下来是要从这堆HTML源码中提取我们需要的内容。

面对如此复杂的网页源代码，包含大量的标签及结构，我们需要一种更加高效方便的形式来完成数据的提取。这里，我们使用BeautifulSoup这个第三方库，完成数据清洗的工作。

1 from bs4 import BeautifulSoup
2 soup=BeautifulSoup(content)
3 global siteUrls
4 siteUrls = soup.findAll('a',attrs={'class':'postTitle2'})
5 print siteUrls

siteUrls显示的内容就是我们需要的信息的初步清洗结果，它提取的是html源码中class=postTitle2的<a>标签，结果是一个list，每个元素都对应我们所求的一个url，我们可以对这个list的每个元素进行进一步的清洗，得到需要的url。

 1     strip_tag_pat=re.compile('</?\w+[^>]*>')  
 2     f = file('info.txt','w')
 3     for i in siteUrls:
 4         i0 = re.sub(strip_tag_pat,' ',str(i))
 5         i1 = str(i).split(' ')
 6         #print i1
 7         html = i1[2][6:-1] 
 8         #print html + i0
 9         f.write(html+i0+'\n')
10     f.close()

上述代码中的第一行，

    strip_tag_pat=re.compile('</?\w+[^>]*>')

是利用re这个model对list中的每个元素进行去除html标签的工作，具体的re库的内容将在以后介绍，大家也可以自行参阅python官方指南。

我们将每个元素中的标签用空白符替换掉，得到的是每个url的介绍，即每一篇博文的题目，便于我们以后对所需资料的检索。

　　然后，我们用split()方法以间隔的空白符为界将每个元素分割成了一个单独的list，如：

['<a', 'class="postTitle2"', 'href="http://www.cnblogs.com/sayary/archive/2013/02/25/2932552.html"', 'id="homepage1_HomePageDays_DaysList_DayItem_3_DayList_3_TitleUrl_0">\xe3\x80\x90\xe6\xaf\x8f\xe6\x97\xa5\xe4\xb8\x80\xe9\xa2\x98\xe3\x80\x91CareerCup1.8', '\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2\xe5\x9b\x9e\xe8\xbd\xac\xe7\x9a\x84\xe6\xa3\x80\xe9\xaa\x8c</a>']

我们可以看到需要的html在新的List中的第二个位置，通过对list的操作我们可以得到所需的url。

完成的源代码如下：（以我自己的博客为例）

 1 '''
 2 Created on 2013-3-10
 3 
 4 @author: gixiaochen
 5 '''
 6 import urllib2
 7 from bs4 import BeautifulSoup 
 8 import re
 9 siteUrls = " "
10 
11 url = "http://www.cnblogs.com/sayary/"
12 def getContent(url):
13     content = urllib2.urlopen(url).read()
14     #print content
15 
16     soup=BeautifulSoup(content)
17     global siteUrls
18     siteUrls = soup.findAll('a',attrs={'class':'postTitle2'})
19     #nextUrl = soup.find('div',attrs={'class':'topicListFooter'})
20     #print siteUrls
21     #print str(nextUrl)
22     strip_tag_pat=re.compile('</?\w+[^>]*>')
23 
24     f = file('info.txt','w')
25     for i in siteUrls:
26         i0 = re.sub(strip_tag_pat,' ',str(i))
27         i1 = str(i).split(' ')
28         print i1
29         html = i1[2][6:-1] 
30         #print html + i0
31         f.write(html+i0+'\n')
32     f.close()
33 
34 
35 getContent(url)

我们把所得到的数据保存到了一个txt文件中，当然，我们可以保存到数据库内。

然而这还不是结束，我们会发现，现在所得到的结果并不是一个人的全部随笔目录，而只是随笔列表中第一页的内容。

换言之，我们的网络爬虫仅仅抓取了某个特定网页的内容，如何得到所有的随笔列表？换一个角度来说，如何真正实现爬虫”爬“的功能，让他能够抓取到我们所需的全部信息呢？下一节我们会具体讨论网路爬虫中的各种爬取的方法，如广度优先算法等。