python网络爬虫之---体验篇BeautifulSoup

Python抓取网页方法，任务是批量下载网站上的文件。对于一个刚刚入门python的人来说，在很多细节上都有需要注意的地方，以下就分享一下我在初学python过程中遇到的问题及解决方法。

 

1、用Python抓取网页

 

[python]  view plain copy print ?

1. import urllib2,urllib      
2. url = 'http://www.baidu.com'    
3. req = urllib2.Request(url)    
4. content = urllib2.urlopen(req).read()  

 

1)、url为网址，需要加'http://'

2)、content为网页的html源码

 

问题：

1、网站禁止爬虫，不能抓取或者抓取一定数量后封ip

解决：伪装成浏览器进行抓取，加入headers：

[python]  view plain copy print ?

1. import urllib2,urllib    
2. headers = { #伪装为浏览器抓取    
3.         'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'    
4.     }    
5. req = urllib2.Request(url,headers=headers)    
6. content = urllib2.urlopen(req).read()  

更复杂的情况（需要登录，多线程抓取）可参考：http://www.pythonclub.org/python-network-application/observer-spider

 

2、抓取网页中的中文为乱码问题

解决：用BeautifulSoup解析网页（BeautifulSoup是Python的一个用于解析网页的插件，其安装及使用方法下文会单独讨论）

首先需要介绍一下网页中的中文编码方式，一般网页的编码会在标签中标出，目前有三种，分别是GB2312，GBK，GB18030，三种编码是兼容的，

从包含的中文字符个数比较：GB2312 < GBK < GB18030，因此如果网页标称的编码为GB2312，但是实际上用到了GBK或者GB18030的中文字符，那么编码工具就会解析错误，导致编码退回到最基本的windows-2152了。所以解决此类问题分两种情况。

1)、若网页的实际的中文编码和其标出的相符的话，即没有字符超出所标称的编码，下面即可解决

[python]  view plain copy print ?

1. import urllib,urllib2,bs4    
2. req = urllib2.Request(url)    
3. content = urllib2.urlopen(req).read()    
4. content = bs4.BeautifulSoup(content)    
5. return content  

2)、若网页中的中文字符超出所标称的编码时，需要在BeautifulSoup中传递参数from_encoding，设置为最大的编码字符集GB18030即可

 

[python]  view plain copy print ?

1. import urllib,urllib2,bs4    
2.         
3. req = urllib2.Request(url)    
4. content = urllib2.urlopen(req).read()    
5. content = bs4.BeautifulSoup(content,from_encoding='GB18030')    
6. return content  

详细的中文乱码问题分析参见：http://againinput4.blog.163.com/blog/static/1727994912011111011432810/

 

2、用Python下载文件

使用Python下载文件的方法有很多，在此只介绍最简单的一种

[python]  view plain copy print ?

1. import urllib    
2. urllib.urlretrieve(url, filepath)  

url为下载链接，filepath即为存放的文件路径 文件名

更多Python下载文件方法参见：http://outofmemory.cn/code-snippet/83/sanzhong-Python-xiazai-url-save-file-code

 

3、使用正则表达式分析网页

将网页源码抓取下来后，就需要分析网页，过滤出要用到的字段信息，通常的方法是用正则表达式分析网页，一个例子如下：

[python]  view plain copy print ?

1. import re    
2. content = ''    
3. match = re.compile(r'(?<=href=["]).*?(?=["])')    
4. rawlv2 = re.findall(match,content)  

用re.compile()编写匹配模板，用findall查找，查找content中所有与模式match相匹配的结果，返回一个列表，上式的正则表达式意思为匹配以‘href="'起始，以'"'结束的字段，使用非贪婪的规则，只取中间的部分

 

关于正则表达式，系统的学习请参见：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

或 http://wiki.ubuntu.org.cn/Python正则表达式操作指南

个人推荐第一篇，条理清晰，不重不漏

在此就不赘述正则表达式的学习，只总结一下我在实际写正则时的认为需要注意的几个问题：

1)、一定要使用非贪婪模式进行匹配，即*?, ?（后加?），因为Python默认使用贪婪模式进行匹配，例如'a.*b'，它会匹配文档中从第一个a和最后一个b之间的文本，也就是说如果遇到一个b，它不会停止，会一直搜索至文档末尾，直到它确认找到的b是最后一个。而一般我们只想取某个字段的值，贪婪模式既不能返回正确的结果，还大大浪费了时间，所以非贪婪是必不可少的

2)、raw字符串的使用：如果要匹配一个.,*这种元字符，就需要加'\'进行转义，即要表示一个'\'，正则表达式需要多加一个转义，写成'\\'，但是Python字符串又需要对其转义，最终变成re.compile('\\\\')，这样就不易理解且很乱，使用raw字符串让正则表达式变得易读，即写成re.compile(r'\\')，另一个方法就是将字符放到字符集中，即[\]，效果相同

3)、()特殊构造的使用：一般来说，()中的匹配模式作为分组并可以通过标号访问，但是有一些特殊构造为例外，它们适用的情况是：我想要匹配href="xxxx"这个模式，但是我只需要xxxx的内容，而不需要前后匹配的模式，这时就可以用特殊构造(?<=)，和(?=)来匹配前后文，匹配后不返回()中的内容，刚才的例子便用到了这两个构造。

4)、逻辑符的使用：如果想匹配多个模式，使用'|'来实现，比如

re.compile(r'.htm|.mid$')

 

匹配的就是以.htm或.mid结尾的模式，注意没有'&'逻辑运算符

 

3、使用BeautifulSoup分析网页

BeautifulSoup是Python的一个插件，用于解析HTML和XML，是替代正则表达式的利器，下文讲解BS4的安装过程和使用方法

1、安装BS4

下载地址：http://www.crummy.com/software/BeautifulSoup/#Download

下载 beautifulsoup4-4.1.3.tar.gz，解压：linux下 tar xvf beautifulsoup4-4.1.3.tar.gz，win7下直接解压即可

linux:

进入目录执行：

 

 1, python setup.py build 

 2, python setup.py install 

或者easy_install BeautifulSoup

win7:

cmd到控制台 -> 到安装目录 -> 执行上面两个语句即可

 

2、使用BeautifulSoup解析网页

本文只介绍一些常用功能，详细教程参见BeautifulSoup中文文档：http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html

1)、包含包：import bs4

2)、读入：

 

[python]  view plain copy print ?

1. req = urllib2.Request(url)    
2. content = urllib2.urlopen(req).read()    
3. content = bs4.BeautifulSoup(content,from_encoding='GB18030')   

3)、查找内容

 

 

a、按html标签名查找：

frameurl = content.findAll('frame')

framurl为存储所有frame标签内容的列表，例如frame[0] 为 tops.htm">

 

b、按标签属性查找

frameurl = content.findAll(target=True)

查找所有含target属性的标签

frameurl = content.findAll(target=‘m_rbottom’)

查找所有含target属性且值为'm_rbottom'的标签

 

c、带有正则表达式的查找

rawlv2 = content.findAll(href=re.compile(r'.htm$'))

查找所有含href属性且值为以'.htm'结尾的标签

 

d、综合查找

frameurl = content.findAll('frame',target=‘rtop’)

 

查找所有frame标签，且target属性值为'rtop'

 

4)、访问标签属性值和内容

a、访问标签属性值

[python]  view plain copy print ?

1. rawlv2 = content.findAll(href=re.compile(r'.htm$'))    
2. href = rawlv2[i]['href']  

通过[属性名]即可访问属性值，如上式返回的便是href属性的值

b)、访问标签内容

[python]  view plain copy print ?

1. rawlv3 = content.findAll(href=re.compile(r'.mid$'))    
2. songname = str(rawlv3[i].text)  

上式访问了(内容)标签的实际内容，由于text为unicode类型，所以需要用str()做转换

 

 

附上最终的成果，程序功能是抓取www.dugukeji.com上的所有midi文件并下载，需要先建立./midi/dugukeji/文件夹和./midi/linklist文件

[python]  view plain copy print ?

1. "font-size:14px;">#-*- coding:utf-8 -*-   #允许文档中有中文  
2. import urllib2,urllib,cookielib,threading  
3. import os  
4. import re  
5. import bs4  
6. import sys  
7. reload(sys)  
8. sys.setdefaultencoding('utf-8') #允许打印unicode字符  
9.   
10.   
11. indexurl = 'http://www.dugukeji.com/'  
12. databasepath = './midi/linklist'  
13. path = './midi/dugukeji/'  
14. totalresult = {}  
15. oriresult = {}  
16.   
17. def crawl(url):  
18.     headers = { #伪装为浏览器抓取  
19.         'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
20.     }  
21.     req = urllib2.Request(url,headers=headers)  
22.     content = urllib2.urlopen(req).read()  
23.     content = bs4.BeautifulSoup(content,from_encoding='GB18030')  
24.     return content  
25.   
26.   
27. def crawlframe(sourceurl,target):  
28.     global indexurl  
29.     content = crawl(sourceurl)  
30.     #match = re.compile(r'(?<=target=["]' target '["] src=["]).*?(?=["])')   #正则表达式方法  
31.     #frameurl = re.findall(match,content)  
32.     frameurl = content.findAll('frame',target=target)   #beautifulsoup方法  
33.     result = indexurl frameurl[0]['src']  
34.     return result  
35.   
36. def crawllv1(frameurl,st=-1,en=-1):  
37.     global indexurl  
38.     content = crawl(frameurl)  
39.     #match = re.compile(r'(?<=href=["]).*?(?=["])')  
40.     #rawlv2 = re.findall(match,content)  
41.     rawlv2 = content.findAll(href=re.compile(r'.htm$'))  
42.     result = []  
43.     if st==-1 and en==-1:  
44.         for i in range(len(rawlv2)):  
45.             result.append(indexurl rawlv2[i]['href'])  
46.     else:  
47.         for i in range(st,en):  
48.             result.append(indexurl rawlv2[i]['href'])  
49.     #dele = []  
50.     #for i in range(len(result)):  
51.     #   if result[i][-4:]!='.htm' and result[i][-5:]!='.html':  
52.     #       dele.append(i)  
53. #       else:  
54. #           result[i]=indexurl result[i]  
55. #   if len(dele)>0:  
56. #       for deli in dele:  
57. #           del result[deli]  
58.   
59.     #result.sort()  
60.     return result  
61.   
62. def crawllv2(lv2url):  
63.     global indexurl  
64.     content = crawl(lv2url)  
65.     #match = re.compile(r'(?<=href=["]\.\.\/).*?[">].*?(?=[<])')  
66.     #rawlv3 = re.findall(match,content)  
67.     rawlv3 = content.findAll(href=re.compile(r'[..].*?[0-9].htm|.mid$'))  
68.     #print rawlv3  
69.     result = {} #结果字典，key：链接，value：歌曲名  
70.     for i in range(len(rawlv3)):  
71.         tmp = str(rawlv3[i]['href'])  
72.         #print tmp  
73.         link = indexurl   tmp[tmp.rfind('..') 3:]   #有多个'..'，找到最后一个  
74.         songname = ''  
75.         if tmp[-4:]=='.htm':    #需要访问3级页  
76.             try:  
77.                 conlv3 = crawl(link)  
78.             except:  
79.                 print 'WARNING: visit lv3 url failed!\n'  
80.             else:  
81.                 rawlv4 = conlv3.findAll(href=re.compile(r'.mid$'))  
82.                 if not rawlv4:  #4级页没有.mid下载链接，略过  
83.                     continue  
84.                 else:  
85.                     tmp = str(rawlv4[0]['href'])  
86.                     link = indexurl   tmp[tmp.rfind('..') 3:]  
87.   
88.         songname = str(rawlv3[i].text)  #将unicode类型的text转化为string  
89.         #songname.decode('GBK')  
90.         #songname.encode('utf-8')  
91.         songname = songname.replace(' ','_')    #将songname中空格和换行转化为下划线  
92.         songname = songname.replace('\n','_')   #原来存在的链接，直接略过  
93.         if oriresult.has_key(link):  
94.             continue  
95.         if totalresult.has_key(link) and len(songname)#如果链接已保存且歌曲名长度比当前的长，略过  
96.             continue  
97.         else:  
98.             totalresult[link] = songname  
99.             result[link] = songname     #加入字典  
100.     #result.sort()  
101.     return result  
102.   
103. def download(totalresult):  
104.     for link in totalresult.keys():  
105.         filepath = path   totalresult[link]   '.mid'  
106.         print 'download: ',link,' -> ',filepath,'\n'  
107.         urllib.urlretrieve(link, filepath)  
108.   
109.   
110. def readdata(databasepath):  
111.     datafile = open(databasepath,'r')   #读数据文件  
112.     link = datafile.readline()  
113.     while link:  
114.         oriresult[link]=''  
115.         link = datafile.readline()  
116.     datafile.close()  
117.   
118. def writedata(databasepath):  
119.     datafile = open(databasepath,'a')   #追加打开数据文件，将新链接写入文件尾  
120.     for link in totalresult.keys():  
121.         datafile.write(link,'\n')  
122.     datafile.close()  
123.   
124. if __name__ == '__main__':  
125.     try:  
126.         readdata(databasepath)  #访问文件，记录已下载的链接  
127.     except:  
128.         print 'WARNING:read database file failed!\n'  
129.     else:  
130.         print 'There is ',len(oriresult),' links in database.\n'  
131.   
132.     try:  
133.         frameurl1 = crawlframe(indexurl,'rtop') #抓取主页中一级页url所在frame的url  
134.     except:  
135.         print 'WARNING: crawl lv1 frameurl failed!\n'  
136.     try:  
137.         urllv1 = crawllv1(frameurl1,4,20)       #抓取一级页url  
138.     except:  
139.         print 'WARNING: crawl lv1 url failed!\n'  
140.   
141.     for i in urllv1:  
142.         print 'lv1 url:',i  
143.         try:  
144.             frameurl2 = crawlframe(i,'rbottom') #抓取一级页中二级页url所在frame的url  
145.         except:  
146.             print 'WARNING: crawl lv2 frameurl failed!\n'  
147.         else:  
148.             print '\tlv2 frameurl:',frameurl2  
149.             try:  
150.                 urllv2 = crawllv1(frameurl2)    #抓取二级页url  
151.             except:  
152.                 print 'WARNING: crawl lv2 url failed!\n'  
153.             else:  
154.                 for j in urllv2:  
155.                     print '\t\tlv2 url:',j  
156.                     try:  
157.                         urllv3 = crawllv2(j)  
158.                     except:  
159.                         print 'WARNING: crawl lv3 url failed!\n'  
160.                     else:  
161.                         for k in urllv3.keys():  
162.                             print '\t\t\tlv3 url:',k,'\tname:',urllv3[k]  
163.                         #download(urllv3)  
164.                               
165.     print 'new added midi num:',len(totalresult)  
166.     print '\nbegin to download...\n'  
167.     download(totalresult)  
168.     print '\nWrite database...\n'  
169.     writedata(databasepath)  
170.     print '\n\nDone!\n'  
171.   
172. """ 
173. url = 'http://www.dugukeji.com/' 
174. req = urllib2.Request(url) 
175. response = urllib2.urlopen(req).read() 
176. response = unicode(response,'GBK').encode('UTF-8') 
177. print response 
178. """