Python抓取网页&批量下载文件方法初探（正则表达式+BeautifulSoup）

最近两周都在学习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。

一、用Python抓取网页

基本方法：

[python] view
plaincopyprint?

<span style="font-size:14px;">import urllib2,urllib



url = 'http://www.baidu.com'

req = urllib2.Request(url)

content = urllib2.urlopen(req).read()</span>

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
plaincopyprint?

<span style="font-size:14px;">import urllib2,urllib



headers = { #伪装为浏览器抓取

'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

}



req = urllib2.Request(url,headers=headers)

content = urllib2.urlopen(req).read()</span>

[python] view
plaincopyprint?

<span style="font-size:14px;">

</span>

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，很不错的教程

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<meta>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
plaincopyprint?

<span style="font-size:14px;">import urllib,urllib2,bs4



req = urllib2.Request(url)

content = urllib2.urlopen(req).read()

content = bs4.BeautifulSoup(content)

return content</span>

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
plaincopyprint?

<span style="font-size:14px;">import urllib,urllib2,bs4



req = urllib2.Request(url)

content = urllib2.urlopen(req).read()

content = bs4.BeautifulSoup(content,from_encoding='GB18030')

return content</span>

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

二、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
plaincopyprint?

<span style="font-size:14px;">import urllib



urllib.urlretrieve(url, filepath)</span>

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

三、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
plaincopyprint?

<span style="font-size:14px;">import re



content = '<a href="http://www.baidu.com">'

match = re.compile(r'(?<=href=["]).*?(?=["])')

rawlv2 = re.findall(match,content)</span>

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%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E6%93%8D%E4%BD%9C%E6%8C%87%E5%8D%97

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

[python] view
plaincopyprint?

<span style="font-size:14px;">re.compile(r'.htm|.mid$')</span>

匹配的就是以.htm或.mid结尾的模式，注意没有'&'逻辑运算符

四、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
plaincopyprint?

<span style="font-size:14px;">req = urllib2.Request(url)

content = urllib2.urlopen(req).read()

content = bs4.BeautifulSoup(content,from_encoding='GB18030')

</span>

3)、查找内容

a、按html标签名查找：

[python] view
plaincopyprint?

<span style="font-size:14px;">frameurl = content.findAll('frame')</span>

framurl为存储所有frame标签内容的列表，例如frame[0] 为 <framename="m_rtop"target="m_rbottom"src="tops.htm">

b、按标签属性查找

[python] view
plaincopyprint?

<span style="font-size:14px;">frameurl = content.findAll(target=True)</span>

查找所有含target属性的标签

[python] view
plaincopyprint?

<span style="font-size:14px;">frameurl = content.findAll(target=‘m_rbottom’)</span>

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

[python] view
plaincopyprint?

<span style="font-size:14px;">rawlv2 = content.findAll(href=re.compile(r'.htm$'))</span>

查找所有含href属性且值为以'.htm'结尾的标签

d、综合查找

[python] view
plaincopyprint?

<span style="font-size:14px;">frameurl = content.findAll('frame',target=‘rtop’)</span>

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
plaincopyprint?

<span style="font-size:14px;">rawlv2 = content.findAll(href=re.compile(r'.htm$'))

href = rawlv2[i]['href']</span>

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
plaincopyprint?

<span style="font-size:14px;">rawlv3 = content.findAll(href=re.compile(r'.mid$'))

songname = str(rawlv3[i].text)</span>

上式访问了<a href=...>(内容)</a>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
plaincopyprint?

<span style="font-size:14px;">#-*- coding:utf-8 -*- #允许文档中有中文

import urllib2,urllib,cookielib,threading

import os

import re

import bs4

import sys

reload(sys)

sys.setdefaultencoding('utf-8') #允许打印unicode字符





indexurl = 'http://www.dugukeji.com/'

databasepath = './midi/linklist'

path = './midi/dugukeji/'

totalresult = {}

oriresult = {}



def crawl(url):

headers = { #伪装为浏览器抓取

'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

}

req = urllib2.Request(url,headers=headers)

content = urllib2.urlopen(req).read()

content = bs4.BeautifulSoup(content,from_encoding='GB18030')

return content





def crawlframe(sourceurl,target):

global indexurl

content = crawl(sourceurl)

#match = re.compile(r'(?<=target=["]'+target+'["] src=["]).*?(?=["])') #正则表达式方法

#frameurl = re.findall(match,content)

frameurl = content.findAll('frame',target=target) #beautifulsoup方法

result = indexurl+frameurl[0]['src']

return result



def crawllv1(frameurl,st=-1,en=-1):

global indexurl

content = crawl(frameurl)

#match = re.compile(r'(?<=href=["]).*?(?=["])')

#rawlv2 = re.findall(match,content)

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

result = []

if st==-1 and en==-1:

for i in range(len(rawlv2)):

result.append(indexurl+rawlv2[i]['href'])

else:

for i in range(st,en):

result.append(indexurl+rawlv2[i]['href'])

#dele = []

#for i in range(len(result)):

# if result[i][-4:]!='.htm' and result[i][-5:]!='.html':

# dele.append(i)

# else:

# result[i]=indexurl+result[i]

# if len(dele)>0:

# for deli in dele:

# del result[deli]



#result.sort()

return result



def crawllv2(lv2url):

global indexurl

content = crawl(lv2url)

#match = re.compile(r'(?<=href=["]\.\.\/).*?[">].*?(?=[<])')

#rawlv3 = re.findall(match,content)

rawlv3 = content.findAll(href=re.compile(r'[..].*?[0-9].htm|.mid$'))

#print rawlv3

result = {} #结果字典，key：链接，value：歌曲名

for i in range(len(rawlv3)):

tmp = str(rawlv3[i]['href'])

#print tmp

link = indexurl + tmp[tmp.rfind('..')+3:] #有多个'..'，找到最后一个

songname = ''

if tmp[-4:]=='.htm': #需要访问3级页

try:

conlv3 = crawl(link)

except:

print 'WARNING: visit lv3 url failed!\n'

else:

rawlv4 = conlv3.findAll(href=re.compile(r'.mid$'))

if not rawlv4: #4级页没有.mid下载链接，略过

continue

else:

tmp = str(rawlv4[0]['href'])

link = indexurl + tmp[tmp.rfind('..')+3:]



songname = str(rawlv3[i].text) #将unicode类型的text转化为string

#songname.decode('GBK')

#songname.encode('utf-8')

songname = songname.replace(' ','_') #将songname中空格和换行转化为下划线

songname = songname.replace('\n','_') #原来存在的链接，直接略过

if oriresult.has_key(link):

continue

if totalresult.has_key(link) and len(songname)<len(totalresult[link]): #如果链接已保存且歌曲名长度比当前的长，略过

continue

else:

totalresult[link] = songname

result[link] = songname #加入字典

#result.sort()

return result



def download(totalresult):

for link in totalresult.keys():

filepath = path + totalresult[link] + '.mid'

print 'download: ',link,' -> ',filepath,'\n'

urllib.urlretrieve(link, filepath)





def readdata(databasepath):

datafile = open(databasepath,'r') #读数据文件

link = datafile.readline()

while link:

oriresult[link]=''

link = datafile.readline()

datafile.close()



def writedata(databasepath):

datafile = open(databasepath,'a') #追加打开数据文件，将新链接写入文件尾

for link in totalresult.keys():

datafile.write(link,'\n')

datafile.close()



if __name__ == '__main__':

try:

readdata(databasepath) #访问文件，记录已下载的链接

except:

print 'WARNING:read database file failed!\n'

else:

print 'There is ',len(oriresult),' links in database.\n'



try:

frameurl1 = crawlframe(indexurl,'rtop') #抓取主页中一级页url所在frame的url

except:

print 'WARNING: crawl lv1 frameurl failed!\n'

try:

urllv1 = crawllv1(frameurl1,4,20) #抓取一级页url

except:

print 'WARNING: crawl lv1 url failed!\n'



for i in urllv1:

print 'lv1 url:',i

try:

frameurl2 = crawlframe(i,'rbottom') #抓取一级页中二级页url所在frame的url

except:

print 'WARNING: crawl lv2 frameurl failed!\n'

else:

print '\tlv2 frameurl:',frameurl2

try:

urllv2 = crawllv1(frameurl2) #抓取二级页url

except:

print 'WARNING: crawl lv2 url failed!\n'

else:

for j in urllv2:

print '\t\tlv2 url:',j

try:

urllv3 = crawllv2(j)

except:

print 'WARNING: crawl lv3 url failed!\n'

else:

for k in urllv3.keys():

print '\t\t\tlv3 url:',k,'\tname:',urllv3[k]

#download(urllv3)



print 'new added midi num:',len(totalresult)

print '\nbegin to download...\n'

download(totalresult)

print '\nWrite database...\n'

writedata(databasepath)

print '\n\nDone!\n'









"""

url = 'http://www.dugukeji.com/'

req = urllib2.Request(url)

response = urllib2.urlopen(req).read()

response = unicode(response,'GBK').encode('UTF-8')

print response

"""</span>