生活随笔
收集整理的這篇文章主要介紹了
Python 网络爬虫入门详解
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
什么是網絡爬蟲
?
? ? ? ?網絡爬蟲又稱網絡蜘蛛，是指按照某種規則在網絡上爬取所需內容的腳本程序。眾所周知，每個網頁通常包含其他網頁的入口，網絡爬蟲則通過一個網址依次進入其他網址獲取所需內容。
優先申明：我們使用的python編譯環境為PyCharm
?
一、首先一個網絡爬蟲的組成結構：
- 爬蟲調度程序（程序的入口，用于啟動整個程序）
- url管理器（用于管理未爬取得url及已經爬取過的url）
- 網頁下載器（用于下載網頁內容用于分析）
- 網頁解析器（用于解析下載的網頁，獲取新的url和所需內容）
- 網頁輸出器（用于把獲取到的內容以文件的形式輸出）
?
二、編寫網絡爬蟲
（1）準備所需庫
?我們需要準備一款名為BeautifulSoup（網頁解析）的開源庫，用于對下載的網頁進行解析，我們是用的是PyCharm編譯環境所以可以直接下載該開源庫。
?
步驟如下：
選擇File->Settings
?
打開Project:PythonProject下的Project interpreter
?
點擊加號添加新的庫
?
輸入bs4選擇bs4點擊Install Packge進行下載
?
（2）編寫爬蟲調度程序
? ? 這里的bike_spider是項目名稱引入的四個類分別對應下面的四段代碼url管理器，url下載器，url解析器，url輸出器。
from bike_spider import url_manager, html_downloader, html_parser, html_outputer class SpiderMain(object): def __init__(self):self.urls = url_manager.UrlManager()self.downloader = html_downloader.HtmlDownloader()self.parser = html_parser.HtmlParser()self.outputer = html_outputer.HtmlOutputer() def craw(self, my_root_url):count = 1self.urls.add_new_url(my_root_url) while self.urls.has_new_url(): try:new_url = self.urls.get_new_url()print("craw %d : %s" % (count, new_url)) html_cont = self.downloader.download(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 == 10: breakcount += 1 except:print("craw failed") self.outputer.output_html() if __name__ == "__main__":root_url = "http://baike.baidu.com/item/Python/407313"obj_spider = SpiderMain()obj_spider.craw(root_url)
?
(3)編寫url管理器
我們把已經爬取過的url和未爬取的url分開存放以便我們不會重復爬取某些已經爬取過的網頁。
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.new_urls.add(url) def get_new_url(self): new_url = self.new_urls.pop()self.old_urls.add(new_url) return new_url def has_new_url(self): return len(self.new_urls) != 0
?
（4）編寫網頁下載器
通過網絡請求來下載頁面
import urllib.request class HtmlDownloader(object): def download(self, url): if url is None: return Noneresponse = urllib.request.urlopen(url) if response.getcode() != 200: return None return response.read()
?
（5）編寫網頁解析器
對網頁進行解析時我們需要知道我們要查詢的內容都有哪些特征，我們可以打開一個網頁點擊右鍵審查元素來了解我們所查內容的共同之處。
import refrom bs4 import BeautifulSoupfrom urllib.parse import urljoin class HtmlParser(object): def parse(self, page_url, html_cont): if page_url is None or html_cont is None: returnsoup = 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 def _get_new_data(self, page_url, soup):res_data = {"url": page_url} title_node = soup.find("dd", class_="lemmaWgt-lemmaTitle-title").find("h1")res_data["title"] = title_node.get_text()summary_node = soup.find("div", class_="lemma-summary")res_data["summary"] = summary_node.get_text() return res_data def _get_new_urls(self, page_url, soup):new_urls = set() links = soup.find_all("a", href=re.compile(r"/item/")) for link in links:new_url = link['href'] new_full_url = urljoin(page_url, new_url)new_urls.add(new_full_url) return new_urls
?
（6）編寫網頁輸出器
輸出的格式有很多種，我們選擇以html的形式輸出，這樣我們可以的到一個html頁面。
class HtmlOutputer(object): def __init__(self):self.datas = [] def collect_data(self, data): if data is None: returnself.datas.append(data) def output_html(self):fout = open("output.html", "w", encoding='utf-8')fout.write("<html>")fout.write("<meta charset='utf-8'>")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"])fout.write("<td>%s</td>" % data["summary"])fout.write("</tr>")fout.write("</table>")fout.write("</body>")fout.write("</html>") fout.close()
?
寫在末尾
? ? ? ?注意：網頁經常發生變化，我們需要根據網頁的變化動態修改我們的代碼來獲得我們所需要的內容。
? ? ? ?這只是一個簡單的網絡爬蟲，如果需要完善其功能我們需要考慮更多問題。
爬蟲入門后可以看一下爬蟲如何模擬登陸Python爬蟲模擬登陸
?
總結
以上是生活随笔為你收集整理的Python 网络爬虫入门详解的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
