Python 網路爬蟲入門詳解

什麼是網路爬蟲

 

       網路爬蟲又稱網路蜘蛛，是指按照某種規則在網路上爬取所需內容的指令碼程式。眾所周知，每個網頁通常包含其他網頁的入口，網路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、首先一個網路爬蟲的組成結構：

• 爬蟲排程程式（程式的入口，用於啟動整個程式）
• url管理器（用於管理未爬取得url及已經爬取過的url）
• 網頁下載器（用於下載網頁內容用於分析）
• 網頁解析器（用於解析下載的網頁，獲取新的url和所需內容）
• 網頁輸出器（用於把獲取到的內容以檔案的形式輸出）

 

二、編寫網路爬蟲

（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，用於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

 

開啟Project:PythonProject下的Project interpreter

 

點選加號新增新的庫

 

輸入bs4選擇bs4點選Install Packge進行下載

 

（2）編寫爬蟲排程程式

    這裡的bike_spider是專案名稱引入的四個類分別對應下面的四段程式碼url管理器，url下載器，url解析器，url輸出器。

# 爬蟲排程程式
from bike_spider import url_manager, html_downloader, html_parser, html_outputer


# 爬蟲初始化
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 = 1
        self.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))
                # 下載網頁
                html_cont = self.downloader.download(new_url)
                # 解析網頁
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                # 網頁輸出器收集資料
                self.outputer.collect_data(new_data)
                if count == 10:
                    break
                count += 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複爬取某些已經爬取過的網頁。

# url管理器
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):
        # pop方法會幫我們獲取一個url並且移除它
        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

通過網路請求來下載頁面

# 網頁下載器
import urllib.request


class HtmlDownloader(object):

    def download(self, url):
        if url is None:
            return None
        response = urllib.request.urlopen(url)
        # code不為200則請求失敗
        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徵，我們可以開啟一個網頁點選右鍵審查元素來了解我們所查內容的共同之處。

# 網頁解析器
import re
from bs4 import BeautifulSoup
from urllib.parse import urljoin


class HtmlParser(object):

    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        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

    def _get_new_data(self, page_url, soup):
        res_data = {"url": page_url}
        # 獲取標題
        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()
        # 查詢出所有符合下列條件的url
        links = soup.find_all("a", href=re.compile(r"/item/"))
        for link in links:
            new_url = link['href']
            # 獲取到的url不完整，學要拼接
            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。

# 網頁輸出器
class HtmlOutputer(object):

    def __init__(self):
        self.datas = []

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

    # 我們以html表格形式進行輸出
    def output_html(self):
        fout = open("output.html", "w", encoding='utf-8')
        fout.write("<html>")
        fout.write("<meta charset='utf-8'>")
        fout.write("<body>")
        # 以表格輸出
        fout.write("<table>")
        for data in self.datas:
            # 一行
            fout.write("<tr>")
            # 每個單元行的內容
            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>")
        # 輸出完畢後一定要關閉輸出器
        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程式碼來獲得我們所需要的內容。

       這只是一個簡單的網路爬蟲，如果需要完善其功能我們需要考慮更多問題。

爬蟲入門後可以看一下爬蟲如何模擬登陸Python爬蟲模擬登陸