您的位置:首页 > 编程语言 > Python开发

Python 网页爬虫

2016-06-20 22:56 302 查看
转自:http://www.lovelucy.info/python-crawl-pages.html

CUHK上学期有门课叫做Semantic Web,课程project是要搜集整个系里面的教授信息,输入到一个系统里,能够完成诸如“如果选了A教授的课,因时间冲突,B教授的哪些课不能选”、“和A教授实验室相邻的实验室都是哪些教授的”这一类的查询。这就是所谓的“语义网”了啊。。。然而最坑爹的是,所有这些信息,老师并没有给一个文档或者数据库,全要靠自己去系主页上搜集。唯一的想法是写个爬虫,令人悲哀的是,所有做这个project的同学,都是纯人肉手工完成,看得我只想扶墙。。。

从网页中抓取特定信息,我觉得这是一个普遍性的问题,以后经常会遇到。幸亏那个project只是需要我们系的所有教授的信息,大家人工也就算了。如果需要抓取的信息是海量的,举个栗子,把淘宝上所有的商品目录抓下来,那岂不是要吐血而亡?我决定好好把爬虫研究一下。

之前波波写过一个Java程序,利用HTML
Parser去解析团购网站meituan.com然后把每天的团购信息存到数据库里。稍微改改再爬爬拉手糯米,做个前端,一个团购导航站就问世了。我把程序跑了一下,全自动搜集,不算太复杂。

但是,我觉得java太啰嗦,不够简洁。Python这个脚本语言开发起来速度很快,一个活生生的例子是因有关政策verycd开始自我阉割,有网友为了抢救资源,把整个verycd站爬了下来,镜像为SimpleCD.org。看了一下爬虫源代码,其实挺简单。使用方法:

[python] view
plain copy

python sitecopy.py http://www.163.com  

看看效果:http://www.lovelucy.info/demo/www.163.com


1. 获取html页面

其实,最基本的抓站,两句话就可以了

[python] view
plain copy

import urllib2  

content = urllib2.urlopen('http://XXXX').read()  

这样可以得到整个html文档,关键的问题是我们可能需要从这个文档中获取我们需要的有用信息,而不是整个文档。这就需要解析充满了各种标签的html。


2. 解析html

SGMLParser

Python默认自带HTMLParser以及SGMLParser等等解析器,前者实在是太难用了,我就用SGMLParser写了一个示例程序:

[python] view
plain copy

import urllib2  

from sgmllib import SGMLParser  

   

class ListName(SGMLParser):  

    def __init__(self):  

        SGMLParser.__init__(self)  

        self.is_h4 = ""  

        self.name = []  

    def start_h4(self, attrs):  

        self.is_h4 = 1  

    def end_h4(self):  

        self.is_h4 = ""  

    def handle_data(self, text):  

        if self.is_h4 == 1:  

            self.name.append(text)  

   

content = urllib2.urlopen('http://list.taobao.com/browse/cat-0.htm').read()  

listname = ListName()  

listname.feed(content)  

for item in listname.name:  

    print item.decode('gbk').encode('utf8')  

注意:我的电脑是win7中文系统,为了避免出现乱码,最后一行使用

[python] view
plain copy

for item in listname.name:  

    print item  

很简单,这里定义了一个叫做ListName的类,继承SGMLParser里面的方法。使用一个变量is_h4做标记判定html文件中的h4标签,如果遇到h4标签,则将标签内的内容加入到List变量name中。解释一下start_h4()和end_h4()函数,他们原型是SGMLParser中的

start_tagname(self, attrs)

end_tagname(self)

tagname就是标签名称,比如当遇到<pre>,就会调用start_pre,遇到</pre>,就会调用 end_pre。attrs为标签的参数,以[(attribute, value), (attribute, value), ...]的形式传回。

输出:
虚拟票务
数码市场
家电市场
女装市场
男装市场
童装童鞋
女鞋市场
男鞋市场
内衣市场
箱包市场
服饰配件
珠宝饰品
美容市场
母婴市场
家居市场
日用市场
食品/保健
运动鞋服
运动户外
汽车用品
玩具市场
文化用品市场
爱好市场
生活服务


如果有乱码,可能是与网页编码不一致,需要替换最后一句deconde()的参数,我在HK淘宝默认用的是繁体编码。各位可以copy上面的代码自己试试,把淘宝的商品目录抓下来,就是这么简单。稍微改改,就可以抽取二级分类等其他信息。

pyQuery

pyQueryjQuery在python中的实现,能够以jQuery的语法来操作解析HTML文档,十分方便。使用前需要安装,easy_install
pyquery即可,或者Ubuntu下

[python] view
plain copy

sudo apt-get install python-pyquery  

以下例子:

[python] view
plain copy

from pyquery import PyQuery as pyq  

doc=pyq(url=r'http://list.taobao.com/browse/cat-0.htm')  

cts=doc('.market-cat')  

   

for i in cts:  

    print '====',pyq(i).find('h4').text() ,'===='  

    for j in pyq(i).find('.sub'):  

        print pyq(j).text() ,  

    print '\n'  

BeautifulSoup

有个头痛的问题是,大部分的网页都没有完全遵照标准来写,各种莫名其妙的错误令人想要找出那个写网页的人痛打一顿。为了解决这个问题,我们可以选择著名的BeautifulSoup来解析html文档,它具有很好的容错能力。

BeautifulSoup功能强大,我还在研究中,有进展会更新本文。
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: