快捷導(dǎo)航

詳解Python網(wǎng)絡(luò)爬蟲功能的基本寫法

更新時(shí)間：2016年01月28日 14:57:25 投稿：lijiao

這篇文章主要介紹了Python網(wǎng)絡(luò)爬蟲功能的基本寫法，網(wǎng)絡(luò)爬蟲，即Web Spider，是一個(gè)很形象的名字。把互聯(lián)網(wǎng)比喻成一個(gè)蜘蛛網(wǎng)，那么Spider就是在網(wǎng)上爬來爬去的蜘蛛，對(duì)網(wǎng)絡(luò)爬蟲感興趣的朋友可以參考本文

網(wǎng)絡(luò)爬蟲，即Web Spider，是一個(gè)很形象的名字。把互聯(lián)網(wǎng)比喻成一個(gè)蜘蛛網(wǎng)，那么Spider就是在網(wǎng)上爬來爬去的蜘蛛。

1. 網(wǎng)絡(luò)爬蟲的定義

網(wǎng)絡(luò)蜘蛛是通過網(wǎng)頁(yè)的鏈接地址來尋找網(wǎng)頁(yè)的。從網(wǎng)站某一個(gè)頁(yè)面（通常是首頁(yè)）開始，讀取網(wǎng)頁(yè)的內(nèi)容，找到在網(wǎng)頁(yè)中的其它鏈接地址，然后通過這些鏈接地址尋找下一個(gè)網(wǎng)頁(yè)，這樣一直循環(huán)下去，直到把這個(gè)網(wǎng)站所有的網(wǎng)頁(yè)都抓取完為止。如果把整個(gè)互聯(lián)網(wǎng)當(dāng)成一個(gè)網(wǎng)站，那么網(wǎng)絡(luò)蜘蛛就可以用這個(gè)原理把互聯(lián)網(wǎng)上所有的網(wǎng)頁(yè)都抓取下來。這樣看來，網(wǎng)絡(luò)爬蟲就是一個(gè)爬行程序，一個(gè)抓取網(wǎng)頁(yè)的程序。網(wǎng)絡(luò)爬蟲的基本操作是抓取網(wǎng)頁(yè)。

2. 瀏覽網(wǎng)頁(yè)的過程

抓取網(wǎng)頁(yè)的過程其實(shí)和讀者平時(shí)使用IE瀏覽器瀏覽網(wǎng)頁(yè)的道理是一樣的。比如說你在瀏覽器的地址欄中輸入 www.baidu.com 這個(gè)地址。

打開網(wǎng)頁(yè)的過程其實(shí)就是瀏覽器作為一個(gè)瀏覽的“客戶端”，向服務(wù)器端發(fā)送了一次請(qǐng)求，把服務(wù)器端的文件“抓”到本地，再進(jìn)行解釋、展現(xiàn)。

HTML是一種標(biāo)記語(yǔ)言，用標(biāo)簽標(biāo)記內(nèi)容并加以解析和區(qū)分。瀏覽器的功能是將獲取到的HTML代碼進(jìn)行解析，然后將原始的代碼轉(zhuǎn)變成我們直接看到的網(wǎng)站頁(yè)面。

3. 基于python實(shí)現(xiàn)的網(wǎng)絡(luò)爬蟲功能

1). python獲取html頁(yè)面

其實(shí)，最基本的抓站，兩句話就可以了:

import urllib2
content = urllib2.urlopen('http://XXXX').read()

這樣可以得到整個(gè) html 文檔，關(guān)鍵的問題是我們可能需要從這個(gè)文檔中獲取我們需要的有用信息，而不是整個(gè)文檔。這就需要解析充滿了各種標(biāo)簽的 html。

2). python爬蟲抓取頁(yè)面后解析html方法

python爬蟲html解析庫(kù)SGMLParser

Python 默認(rèn)自帶 HTMLParser 以及 SGMLParser 等等解析器，前者實(shí)在是太難用了，我就用 SGMLParser 寫了一個(gè)示例程序：

import urllib2
from sgmllib import SGMLParser
 
class ListName(SGMLParser):
def __init__(self):
SGMLParser.__init__(self)
self.is_h4 = ""
self.name = []
def start_h4(self, attrs):
self.is_h4 = 1
def end_h4(self):
self.is_h4 = ""
def handle_data(self, text):
if self.is_h4 == 1:
self.name.append(text)
 
content = urllib2.urlopen('http://169it.com/xxx.htm').read()
listname = ListName()
listname.feed(content)
for item in listname.name:
print item.decode('gbk').encode('utf8')

很簡(jiǎn)單，這里定義了一個(gè)叫做 ListName 的類，繼承 SGMLParser 里面的方法。使用一個(gè)變量 is_h4 做標(biāo)記判定 html 文件中的 h4 標(biāo)簽，如果遇到 h4 標(biāo)簽，則將標(biāo)簽內(nèi)的內(nèi)容加入到 List 變量 name 中。解釋一下 start_h4() 和 end_h4() 函數(shù)，他們?cè)褪?SGMLParser 中的

start_tagname(self, attrs)
end_tagname(self)

tagname 就是標(biāo)簽名稱，比如當(dāng)遇到 <pre>，就會(huì)調(diào)用 start_pre，遇到 </pre>，就會(huì)調(diào)用 end_pre。attrs 為標(biāo)簽的參數(shù)，以 [(attribute, value), (attribute, value), ...] 的形式傳回。

python爬蟲html解析庫(kù)pyQuery

pyQuery 是 jQuery 在 python 中的實(shí)現(xiàn)，能夠以 jQuery 的語(yǔ)法來操作解析 HTML 文檔，十分方便。使用前需要安裝，easy_install pyquery 即可，或者 Ubuntu 下

sudo apt-get install python-pyquery

以下例子：

from pyquery import PyQuery as pyq
doc=pyq(url=r'http://169it.com/xxx.html')
cts=doc('.market-cat')
 
for i in cts:
print '====',pyq(i).find('h4').text() ,'===='
for j in pyq(i).find('.sub'):
print pyq(j).text() ,
print '\n'

python爬蟲html解析庫(kù)BeautifulSoup

有個(gè)頭痛的問題是，大部分的網(wǎng)頁(yè)都沒有完全遵照標(biāo)準(zhǔn)來寫，各種莫名其妙的錯(cuò)誤令人想要找出那個(gè)寫網(wǎng)頁(yè)的人痛打一頓。為了解決這個(gè)問題，我們可以選擇著名的 BeautifulSoup 來解析html 文檔，它具有很好的容錯(cuò)能力。

以上就是本文的全部?jī)?nèi)容，對(duì)Python網(wǎng)絡(luò)爬蟲功能的實(shí)現(xiàn)進(jìn)行了詳細(xì)的分析介紹，希望對(duì)大家的學(xué)習(xí)有所幫助。

您可能感興趣的文章: