Python 3实现网页爬虫

时间 2019-12-10

原文原文链接

1 什么是网页爬虫

网络爬虫（网页蜘蛛，网络机器人，网页追逐者，自动索引，模拟程序）是一种按照必定的规则自动地抓取互联网信息的程序或者脚本，从互联网上抓取对于咱们有价值的信息。Tips：自动提取网页的程序，为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。html

(1) 对抓取目标的描述或定义；node

(2) 对网页或数据的分析与过滤；python

(3) 对URL的搜索策略。正则表达式

2 Python爬虫架构

Python爬虫架构主要由调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）5个部分组成。数据库

调度器：至关于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工做。
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，经过内存、数据库、缓存数据库来实现。
网页下载器：经过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括须要登陆、代理、和cookie，requests(第三方包)
网页解析器：将一个网页字符串进行解析，能够按照咱们的要求来提取出咱们有用的信息，也能够根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串经过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会很是的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可使用Python自带的html.parser进行解析，也可使用lxml进行解析，相对于其余几种来讲要强大一些）、lxml（第三方插件，能够解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
应用程序：就是从网页中提取的有用数据组成的一个应用。

下面用一个图来解释一下调度器是如何协调工做的：网页爬虫

3 urllib.request实现下载网页的三种方式

方法一：使用urllib.request.urlopen(url)方法函数实现最基本请求url的发起（打开url网址的操做）浏览器

函数原型以下：urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)　缓存

方法二：使用response=urllib.request. Request (url)及urllib.request.urlopen(request)函数bash

response=urllib.request. Request (url)实现对目标url，data，headers以及method访问cookie

urllib.request.urlopen(request)参数为request对象，代码中 response就是上一步获得的request对象（打开url网址的操做）

Tips：构建一个完整的请求，若是请求中须要加入headers（请求头）等信息，咱们就须要使用更强大的Request类来构建一个请求。Request存在的意义是便于在请求的时候传入一些信息，而urlopen则不。

方法三：加入urllib.request处理cookie的能力结合urllib.request.urlopen(url)函数实现

Tips：Python 2使用urllib2代替urllib.request，cookies代替http.cookiejar，print代替print()

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import http.cookiejar
import urllib.request

url = "http://www.baidu.com"
response1 = urllib.request.urlopen(url)
print ("第一种方法")
# 获取状态码，200表示成功
print (response1.getcode())
# 获取网页内容的长度
print (len(response1.read()))

print ("第二种方法")
request = urllib.request.Request(url)
# 模拟Mozilla浏览器进行爬虫
request.add_header("user-agent", "Mozilla/5.0")
response2 = urllib.request.urlopen(request)
print (response2.getcode())
print (len(response2.read()))

print ("第三种方法")
cookie=http.cookiejar.CookieJar()
# 加入urllib.request处理cookie的能力
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))
urllib.request.install_opener(opener)
response3 = urllib.request.urlopen(url)
print (response3.getcode())
print (len(response3.read()))
print (cookie)

　执行结果见下图：

4 使用三方库Beautiful Soup实现解析html文件

4.1 Beautiful Soup的安装

Beautiful Soup：Python 的第三方插件，用来提取 xml 和 HTML 中的数据，官网地址 https://www.crummy.com/software/BeautifulSoup/。

打开cmd（命令提示符），进入到Python（Python3版本）安装目录中的Scripts下，输入dir查看是否有pip.exe，若是用就可使用Python自带的pip命令进行安装，输入如下命令进行安装便可：

pip install beautifulsoup4

执行以下图：

2、测试是否安装成功

编写一个 Python 文件test.py，输入：

import bs4

print (bs4)

运行该文件，若是可以正常输出则安装成功，以下。

4.2 使用 Beautiful Soup 解析 html 文件

#!/usr/bin/python
# -*- 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://news.baidu.com" name="tj_trnews" class="mnav">新闻</a>
<a href="https://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>
<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a>
<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">视频</a>
<a href="http://tieba.baidu.com" name="tj_trtieba" class="mnav">贴吧</a>
<a href="http://xueshu.baidu.com" name="tj_trxueshu" class="mnav">学术</a>
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# 建立一个BeautifulSoup解析对象
soup = BeautifulSoup(html_doc, "html.parser")
# 获取全部的连接
links = soup.find_all('a')
print ("全部的连接")
for link in links:
    print (link.name, link['href'], link.get_text())

print ("获取特定的URL地址")
link_node = soup.find('a', href="http://news.baidu.com")
print (link_node.name, link_node['href'], link_node['class'], link_node.get_text())

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

print ("获取P段落的文字")
p_node = soup.find('p', class_='story')
print (p_node.name, p_node['class'], p_node.get_text())

执行结果以下：