您的位置：首页 > 编程语言 > Python开发

用python3进行爬取百度百科页面数据实战演练

2017-10-20 16:57 190 查看

什么是爬虫？

互联网是由一个一个url相互关联而成的。现在我们需要获得互联网上的信息，我们就需要爬虫。

爬虫就是一段自动抓取互联网信息的程序。爬虫通过其中一个url作为入口，然后访问与之相关联的url并且从每个页面中提取有价值的数据。

Python3简单爬虫架构

爬虫调度器 ——>URL管理器——>网页下载器——>网页解析器——>提取有价值数据

URL管理器

什么是URL管理器？

主要管理待抓取URL集合以及已抓取URL集合，防止重复抓取，以及循环抓取。

URL管理器有什么作用（功能）？

一方面，添加新的URL到待爬取URL集合中，并同时判断待添加的URL是否在待爬取的URL集合中。

另一方面，获取待爬取的URL，并判断待爬取的集合中是否有URL，再把URL从待爬取集合移到已爬取集合。

URL管理器有什么实现方式？

内存。使用Python内存，待爬取URL集合和已爬取URL集合都是用set()集合。为什么选用set（）集合？因为set（）集合有自动去除重复数据的功能。

关系数据库。我们可以使用Mysql。通过建立数据库进行URL是否被爬取的管理。

缓存数据库。我们可以使用redis。待爬取URL集合和已爬取URL集合都使用set集合。

网页下载器和urllib.request模块

什么是网页下载器？

将互联网上URL对应的网页下载到本地的工具。

网页下载器的作用？

网页下载器通过URL连接互联网，然后互联网将HTML页面传给网页下载器，网页下载器将页面信息保存在本地内存或者内存字符串。

网页下载器的种类

使用urllib.request模块中的urlopen（）方法。

通过添加特殊情景的处理器。

有四种特殊情景：HTTPCookieProcessor(需要用户登录才能访问）、ProxyHandler（需要代理才能访问）、HTTPSHandler（协议使用HTTPS加密访问）、HttpRedirectHandler（URL实现自动跳转）

都需要采用urllib.request.build_opener()和urllib.request.install_opener()方法进行opener的创建和安装。

opener = urllib.request.build_opener(handler)

urllib.request.install_opener(opener)

response = urllib.request.urlopen(“https://www.baidu.com“)

#使用urllib.request模块中的urlopen（）方法

import urllib.request

#直接请求       response=urllib.request.urlopen("http://www.baidu.com")

#获取状态码，如果是200，则表示获取成功
print (response.getcode())

#读取内容
print (response.read())

#通过添加特殊情景的处理器。

#导入相应的模块
import urllib.request
import http.cookiejar

#创建HTTPCookieProcessor

cj = http.cookiejar.CookieJar()
pro = urllib.request.HTTPCookieProcessor(cj)

#对opener的创建和安装
o
4000
pener = urllib.request.build_opener(pro)
urllib.request.install_opener(opener)

#直接请求
response = urllib.request.urlopen('http://www.baidu.com')

#获取状态码，如果是200，则表示获取成功
print (response.getcode())

#读取内容
print (response.read())

网页解析器和BeautifulSoup模块

什么是网页解析器？

网页解析器是能从网页提取有价值数据的工具。

网页解析器的功能？

网页解析器解析已经下载到本地的HTML网页字符串，然后提取有价值的数据和新的URL列表。

网页解析器的种类？

正则表达式——模糊匹配

html.parser——结构化解析

BeautifulSoup——结构化解析

lxml——结构化解析

其中BeautifulSoup这个插件包含html.parser和lxml,再加上BeautifulSoup这个插件强大，一般我们选用这个插件。具体的安装过程见Windows和Linux下安装BeautifulSoup

结构化解析——DOM（Document Object Model）树，具体见DOM解析树

BeautifulSoup的用法，详细见BeautifulSoup详细用法

如果想具体了解BeautifulSoup用法则可以见BeautifulSoup官方文档

BeautifulSoup的测试

采用下列测试代码：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# coding:utf-8
import re
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
#创建beautifulsoup对象
print('创建beautifulsoup对象')
soup = BeautifulSoup(html_doc,'html.parser',from_encoding = 'utf-8')
#搜索节点
print('搜索节点')
links = soup.find_all('a')
for link in links:
print(link.name,link['href'],link.get_text())

#访问节点
print('访问节点')
link_node = soup.find('a',href = 'http://example.com/lacie')
print(link_node.name,link_node['href'],link_node.get_text())

#正则表达式匹配
print('正则表达式匹配')
link_node = soup.find('a',href = re.compile('ill'))
print(link_node.name,link_node['href'],link_node.get_text())

#获取p段落文字
print('获取p段落文字')
p_node = soup.find('p',class_="title")
print(p_node.name,p_node.get_text())

测试结果：

创建beautifulsoup对象
搜索节点
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie
访问节点
a http://example.com/lacie Lacie
正则表达式匹配
a http://example.com/tillie Tillie
获取p段落文字
p The Dormouse's story

用Python3爬取百度百科页面数据实战演练

爬虫入口程序：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-

import url_manager,html_downloader,html_parser,html_outputer
class SpiderMain(object):
#初始化爬虫入口函数
def __init__(self):
self.urls = url_manager.UrlManager()
self.downloader = html_downloader.HtmlDownloader()
self.parser = html_parser.HtmlParser()
self.outputer = html_outputer.HtmlOutPuter()
#爬虫的爬取函数
def craw(self,root_url):
count = 1
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()
html_cont = self.downloader.download(new_url)
print("craw %d: %s" %(count,new_url))
new_urls,new_data = self.parser.parse(new_url,html_cont)
self.urls.add_new_urls(new_urls)
self.outputer.collect_data(new_data)

if count == 1000:
break
count = count + 1
except:
print("craw failed")
self.outputer.output_html()

if __name__=="__main__":
root_url = "https://baike.baidu.com/item/Python/407313?fr=aladdin"
obj_spider = SpiderMain()
obj_spider.craw(root_url)

URL管理器程序：

class UrlManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()

def add_new_url(self,url):
if url is None:
return
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)

def add_new_urls(self,urls):
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)

def has_new_url(self):
return len(self.new_urls) != 0

def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url

HTML下载器程序：

import urllib.request
class HtmlDownloader(object):

def download(self,url):
if url is None:
return None
response = urllib.request.urlopen(url)
if response .getcode() != 200:
return None

return response.read()

HTML解析器

from bs4 import BeautifulSoup
import re
import urllib.parse
class HtmlParser(object):
def _get_new_urls(self,page_url,soup):
new_urls = set()
links = soup.find_all('a',href = re.compile(r"/item/\d+\.htm"))
for link in links:
new_url = links['href']
new_full_url = urllib.parse(page_url,new_url)
new_urls.add(new_full_url)
return new_urls

def _get_new_data(self,page_url,soup):
res_data = {}
res_data['url'] = page_url
title_node = soup.find('dd',href = "lemmaWgt-lemmaTitle-title").find('h1')
res_data['title'] = title_node.get_next()
summary_node = soup.find('div',class_ = "lemma-summary")
res_data['summary'] = summary_node.get_text()
return res_data
def parse(self,page_url,html_cont):
if page_url is None or html_cont is None:
return None
soup = BeautifulSoup(html_cont,'html.parser',from_encoding = 'utf-8')
new_urls = self._get_new_urls(page_url,soup)
new_data = self._get_new_data(page_url,soup)
return new_urls,new_data

HTML输出程序：

class HtmlOutPuter(object):
def __init__(self):
self.datas = []

def collect_data(self):
if data is None:
return
self.datas.append(data)

def output_html(self):
fout = open('output.html','w')
fout.write("<html>")
fout.write("<body>")
fout.write("<table>")
for data in self.datas:
fout.write("<tr>")
fout.write("<td>%s</td>"% data['url'])
fout.write("<td>%s</td>"% data['title'].encode('utf-8'))

b41e
fout.write("<td>%s</td>"% data['summary'].encode('utf-8'))
fout.write("</tr>")
fout.write("</table>")
fout.write("</body>")
fout.write("</html>")

运行结果：

craw 1: https://baike.baidu.com/item/Python/407313?fr=aladdin craw failed

分析：代码本身是没有错误的，原因是因为我的浏览器是被安全保护的，在

def _get_new_urls(self,page_url,soup):
new_urls = set()
**links = soup.find_all('a',href = re.compile(r"/item/\d+\.htm"))**
for link in links:
new_url = links['href']
new_full_url = urllib.parse(page_url,new_url)
new_urls.add(new_full_url)
return new_urls

标星号的正则表达式的匹配中，存在匹配问题。因为在我的浏览器中看到的源代码是：

<a target=_blank href="/item/%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E8%AF%AD%E8%A8%80">

/item/后面全是加密了。没有办法匹配。

上述程序如果看不懂，可以参照视频：慕课网：Python开发简单爬虫

附注：视频上的Python是采用Python2的版本编写，跟本文的程序有点不同，本文的程序是采用Python3编写。

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

标签： python 爬虫-python

相关文章推荐

新的分享

章节导航