快捷導(dǎo)航

python爬取網(wǎng)站數(shù)據(jù)保存使用的方法

更新時間：2013年11月20日 09:28:39 投稿：zxhpj

這篇文章主要介紹了使用Python從網(wǎng)上爬取特定屬性數(shù)據(jù)保存的方法，其中解決了編碼問題和如何使用正則匹配數(shù)據(jù)的方法，詳情看下文

編碼問題
因為涉及到中文，所以必然地涉及到了編碼的問題，這一次借這個機會算是徹底搞清楚了。
問題要從文字的編碼講起。原本的英文編碼只有0~255，剛好是8位1個字節(jié)。為了表示各種不同的語言，自然要進行擴充。中文的話有GB系列?？赡苓€聽說過Unicode和UTF-8，那么，它們之間是什么關(guān)系呢？
Unicode是一種編碼方案，又稱萬國碼，可見其包含之廣。但是具體存儲到計算機上，并不用這種編碼，可以說它起著一個中間人的作用。你可以再把Unicode編碼(encode)為UTF-8，或者GB，再存儲到計算機上。UTF-8或者GB也可以進行解碼(decode)還原為Unicode。
在python中Unicode是一類對象，表現(xiàn)為以u打頭的，比如u'中文'，而string又是一類對象，是在具體編碼方式下的實際存在計算機上的字符串。比如utf-8編碼下的'中文'和gbk編碼下的'中文'，并不相同。可以看如下代碼：

復(fù)制代碼代碼如下:

>>> str=u'中文'
>>> str1=str.encode('utf8')
>>> str2=str.encode('gbk')
>>> print repr(str)
u'\u4e2d\u6587'
>>> print repr(str1)
'\xe4\xb8\xad\xe6\x96\x87'
>>> print repr(str2)
'\xd6\xd0\xce\xc4'

可以看到，其實存儲在計算機中的只是這樣的編碼，而不是一個一個的漢字，在print的時候要知道當(dāng)時是用的什么樣的編碼方式，才能正確的print出來。有一個說法提得很好，python中的Unicode才是真正的字符串，而string是字節(jié)串
文件編碼
既然有不同的編碼，那么如果在代碼文件中直接寫string的話，那么它到底是哪一種編碼呢？這個就是由文件的編碼所決定的。文件總是以一定的編碼方式保存的。而python文件可以寫上coding的聲明語句，用來說明這個文件是用什么編碼方式保存的。如果聲明的編碼方式和實際保存的編碼方式不一致就會出現(xiàn)異常。可以見下面例子：以utf-8保存的文件聲明為gbk

復(fù)制代碼代碼如下:

#coding:gbk
str=u'漢'
str1=str.encode('utf8')
str2=str.encode('gbk')
str3='漢'
print repr(str)
print repr(str1)
print repr(str2)
print repr(str3)

提示錯誤 File "test.py", line 1 SyntaxError: Non-ASCII character '\xe6' in file test.py on line 1, but no encodi ng declared; see http://www.python.org/peps/pep-0263.html for details 改為

復(fù)制代碼代碼如下:

#coding:utf8
str=u'漢'
str1=str.encode('utf8')
str2=str.encode('gbk')
str3='漢'
print repr(str)
print repr(str1)
print repr(str2)
print repr(str3)

輸出正常結(jié)果 u'\u6c49' '\xe6\xb1\x89' '\xba\xba' '\xe6\xb1\x89'

基本方法
其實用python爬取網(wǎng)頁很簡單，只有簡單的幾句話

復(fù)制代碼代碼如下:

import urllib2
page=urllib2.urlopen('url').read()

這樣就可以獲得到頁面的內(nèi)容。接下來再用正則匹配去匹配所需要的內(nèi)容就行了。
但是，真正要做起來，就會有各種各樣的細節(jié)問題。
登錄
這是一個需要登錄認證的網(wǎng)站。也不太難，只要導(dǎo)入cookielib和urllib庫就行。

復(fù)制代碼代碼如下:

import urllib,urllib2,cookielib
cookiejar = cookielib.CookieJar()
urlOpener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookiejar))

這樣就裝載進一個cookie，用urlOpener去open登錄以后就可以記住信息。
斷線重連
如果只是做到上面的程度，不對open進行包裝的話，只要網(wǎng)絡(luò)狀況有些起伏，就直接拋出異常，退出整個程序，是個很不好的程序。這個時候，只要對異常進行處理，多試幾次就行了：

復(fù)制代碼代碼如下:

def multi_open(opener,*arg):
    while True:
        retryTimes=20
        while retryTimes>0:
            try:
                return opener.open(*arg)
            except:
                print '.',
                retryTimes-=1

正則匹配
其實正則匹配并不算是一個特別好的方法，因為它的容錯性很不好，網(wǎng)頁要完全統(tǒng)一。如果有稍微的不統(tǒng)一，就會失敗。后來看到說有根據(jù)xpath來進行選取的，下次可以嘗試一下。
寫正則其實是有一定技巧的：
非貪婪匹配。比如這樣一個標簽：hello，要取出a來，如果寫成這樣的表達式，就不行了：hello。因為*進行了貪婪匹配。這是要用.?：hello。
跨行匹配。實現(xiàn)跨行有一種思路是運用DOTALL標志位，這樣.就會匹配到換行。但是這樣一來，整個匹配過程就會變得很慢。本來的匹配是以行為單位的。整個過程最多就是O(nc2)，n是行數(shù)，c是平均列數(shù)?，F(xiàn)在極有可能變?yōu)镺((nc)2)。我的實現(xiàn)方案是運用\n來匹配換行，這樣可以明確指出匹配最多跨躍多少行。比如：abc\s*\n\s*def，就指出查找的是隔一行的。(.\n)?就可以指定是匹配盡可能少的行。
這里其實還要注意一個點。有的行末是帶有\(zhòng)r的。也就是說一行是以\r\n結(jié)尾的。當(dāng)初不知道這一點，正則就調(diào)試了很久?，F(xiàn)在直接用\s，表示行末空格和\r。
無捕獲分組。為了不對捕獲的分組造成影響，上面的(.\n)可以改為(?:.\n)，這樣捕獲分組時，就會忽略它。
單括號要進行轉(zhuǎn)義。因為單括號在正則里是用來表示分組的，所以為了匹配單括號就進行轉(zhuǎn)義。正則字符串最好用的是帶有r前綴的字符串，如果不是的話，則要對\再進行轉(zhuǎn)義。
快速正則。寫了那么多模式，也總結(jié)出一規(guī)律出來。先把要匹配的字符相關(guān)的段落拿出來。要匹配的東西用(.?)代替。把換行\(zhòng)n替換為字符串\s\n\s*，再去掉行首行末的空格。整個過程在vim中可以很快就寫好。
Excel操作
這次的數(shù)據(jù)是放進Excel的。到后面才意識到如果放進數(shù)據(jù)庫的話，可能就沒有那么多事了。但是已經(jīng)寫到一半，難以回頭了。
搜索Excel，可以得出幾個方案來，一個是用xlrt/xlwt庫，這個不管電腦上是否安裝了Excel，都可以運行，但只能是xls格式的。還有一個是直接包裝了com，需要電腦上安裝了軟件才行。我采用的是前一種。
基本的讀寫沒有問題。但是數(shù)據(jù)量一大起來，就有問題了。
行數(shù)限制。這個是xls格式本身決定的，最多行數(shù)只能是65536。而且數(shù)據(jù)一大，文件打開也不方便。
結(jié)合以上兩點，最終采取了這么一個策略，如果行數(shù)是1000的倍數(shù)，進行一次flush，如果行數(shù)超過65536，新開一個sheet，如果超過3個sheet，則新建一個文件。為了方便，把xlwt包裝了一下

復(fù)制代碼代碼如下:

#coding:utf-8#
import xlwt
 
class XLS:
    '''a class wrap the xlwt'''
    MAX_ROW=65536
    MAX_SHEET_NUM=3
 
    def __init__(self,name,captionList,typeList,encoding='utf8',flushBound=1000):
        self.name=name
        self.captionList=captionList[:]
        self.typeList=typeList[:]
        self.workbookIndex=1
        self.encoding=encoding
        self.wb=xlwt.Workbook(encoding=self.encoding)
        self.sheetIndex=1
        self.__addSheet()
        self.flushBound=flushBound
     
    def __addSheet(self):
        if self.sheetIndex != 1:
            self.wb.save(self.name+str(self.workbookIndex)+'.xls')
        if self.sheetIndex>XLS.MAX_SHEET_NUM:
            self.workbookIndex+=1
            self.wb=xlwt.Workbook(encoding=self.encoding)
            self.sheetIndex=1
 
        self.sheet=self.wb.add_sheet(self.name.encode(self.encoding)+str(self.sheetIndex))
        for i in range(len(self.captionList)):
            self.sheet.write(0,i,self.captionList[i])
 
        self.row=1
 
    def write(self,data):
        if self.row>=XLS.MAX_ROW:
            self.sheetIndex += 1
            self.__addSheet()
 
        for i in range(len(data)):
            if self.typeList[i]=="num":
                try:
                    self.sheet.write(self.row,i,float(data[i]))
                except ValueError:
                    pass
            else:
                self.sheet.write(self.row,i,data[i])
 
        if self.row % self.flushBound == 0:
            self.sheet.flush_row_data()
        self.row+=1
 
    def save(self):
        self.wb.save(self.name+str(self.workbookIndex)+'.xls')

轉(zhuǎn)換網(wǎng)頁特殊字符
由于網(wǎng)頁也有自己獨特的轉(zhuǎn)義字符，在進行正則匹配的時候就有些麻煩。在官方文檔中查到一個用字典替換的方案，私以為不錯，拿來做了一些擴充。其中有一些是為保持正則的正確性。

復(fù)制代碼代碼如下:

html_escape_table = {
    "&": "&amp;",
    '"': "&quot;",
    "'": "&apos;",
    ">": "&gt;",
    "<": "&lt;",
    u"·":"&#183;",
    u"°":"&#176;",
    #regular expression
    ".":r"\.",
    "^":r"\^",
    "$":r"\$",
    "{":r"\{",
    "}":r"\}",
    "\\":r"\\",
    "|":r"\|",
    "(":r"\(",
    ")":r"\)",
    "+":r"\+",
    "*":r"\*",
    "?":r"\?",
}
 
def html_escape(text):
    """Produce entities within text."""
    tmp="".join(html_escape_table.get(c,c) for c in text)
    return tmp.encode("utf-8")

結(jié)
得出的經(jīng)驗差不多就是這些了。不過最后寫出來的程序自已也不忍再看。風(fēng)格很不好。一開始想著先寫著試試。然后試著試著就不想改了。
最終的程序要跑很久，其中網(wǎng)絡(luò)通信時間占了大部分。是不是可以考慮用多線程重構(gòu)一下？想想，還是就這樣吧。