快捷導(dǎo)航

Python網(wǎng)絡(luò)爬蟲實(shí)例講解

更新時間：2016年04月28日 11:39:52 作者：銀霜覆秋楓

這篇文章主要為大家詳細(xì)介紹了Python網(wǎng)絡(luò)爬蟲實(shí)例，爬蟲的定義、主要框架等基礎(chǔ)概念，感興趣的小伙伴們可以參考一下

聊一聊Python與網(wǎng)絡(luò)爬蟲。

1、爬蟲的定義

爬蟲：自動抓取互聯(lián)網(wǎng)數(shù)據(jù)的程序。

2、爬蟲的主要框架

爬蟲程序的主要框架如上圖所示，爬蟲調(diào)度端通過URL管理器獲取待爬取的URL鏈接，若URL管理器中存在待爬取的URL鏈接，爬蟲調(diào)度器調(diào)用網(wǎng)頁下載器下載相應(yīng)網(wǎng)頁，然后調(diào)用網(wǎng)頁解析器解析該網(wǎng)頁，并將該網(wǎng)頁中新的URL添加到URL管理器中，將有價值的數(shù)據(jù)輸出。

3、爬蟲的時序圖

4、URL管理器

URL管理器管理待抓取的URL集合和已抓取的URL集合，防止重復(fù)抓取與循環(huán)抓取。URL管理器的主要職能如下圖所示：

URL管理器在實(shí)現(xiàn)方式上，Python中主要采用內(nèi)存(set)、和關(guān)系數(shù)據(jù)庫(MySQL)。對于小型程序，一般在內(nèi)存中實(shí)現(xiàn)，Python內(nèi)置的set()類型能夠自動判斷元素是否重復(fù)。對于大一點(diǎn)的程序，一般使用數(shù)據(jù)庫來實(shí)現(xiàn)。

5、網(wǎng)頁下載器

Python中的網(wǎng)頁下載器主要使用urllib庫，這是python自帶的模塊。對于2.x版本中的urllib2庫，在python3.x中集成到urllib中，在其request等子模塊中。urllib中的urlopen函數(shù)用于打開url，并獲取url數(shù)據(jù)。urlopen函數(shù)的參數(shù)可以是url鏈接，也可以使request對象，對于簡單的網(wǎng)頁，直接使用url字符串做參數(shù)就已足夠，但對于復(fù)雜的網(wǎng)頁，設(shè)有防爬蟲機(jī)制的網(wǎng)頁，再使用urlopen函數(shù)時，需要添加http header。對于帶有登錄機(jī)制的網(wǎng)頁，需要設(shè)置cookie。

6、網(wǎng)頁解析器

網(wǎng)頁解析器從網(wǎng)頁下載器下載到的url數(shù)據(jù)中提取有價值的數(shù)據(jù)和新的url。對于數(shù)據(jù)的提取，可以使用正則表達(dá)式和BeautifulSoup等方法。正則表達(dá)式使用基于字符串的模糊匹配，對于特點(diǎn)比較鮮明的目標(biāo)數(shù)據(jù)具有較好的作用，但通用性不高。BeautifulSoup是第三方模塊，用于結(jié)構(gòu)化解析url內(nèi)容。將下載到的網(wǎng)頁內(nèi)容解析為DOM樹，下圖為使用BeautifulSoup打印抓取到的百度百科中某網(wǎng)頁的輸出的一部分。

關(guān)于BeautifulSoup的具體使用，在以后的文章中再寫。下面的代碼使用python抓取百度百科中英雄聯(lián)盟詞條中的其他與英雄聯(lián)盟相關(guān)的詞條，并將這些詞條保存在新建的excel中。上代碼：

from bs4 import BeautifulSoup 
import re 
import xlrd 
<span style="font-size:18px;">import xlwt 
from urllib.request import urlopen 
 
 
 
excelFile=xlwt.Workbook() 
sheet=excelFile.add_sheet('league of legend') 
## 百度百科：英雄聯(lián)盟## 
html=urlopen("http://baike.baidu.com/subview/3049782/11262116.htm") 
bsObj=BeautifulSoup(html.read(),"html.parser") 
#print(bsObj.prettify()) 
 
row=0 
 
for node in bsObj.find("div",{"class":"main-content"}).findAll("div",{"class":"para"}): 
  links=node.findAll("a",href=re.compile("^(/view/)[0-9]+\.htm$")) 
  for link in links: 
    if 'href' in link.attrs: 
      print(link.attrs['href'],link.get_text()) 
      sheet.write(row,0,link.attrs['href']) 
      sheet.write(row,1,link.get_text()) 
      row=row+1 
 
 
excelFile.save('E:\Project\Python\lol.xls')</span>

輸出的部分截圖如下：