Python实现简易Web爬虫详解

Posted BabyGo000

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python实现简易Web爬虫详解相关的知识,希望对你有一定的参考价值。

简介:

网络爬虫(又被称为网页蜘蛛),网络机器人,是一种按照一定的规则,自动地抓信息的程序或者脚本。假设互联网是一张很大的蜘蛛网,每个页面之间都通过超链接这根线相互连接,那么我们的爬虫小程序就能够通过这些线不断的搜寻到新的网页。

Python作为一种代表简单主义思想的解释型、面向对象、功能强大的高级编程语言。它语法简洁并且具有动态数据类型和高层次的抽象数据结构,这使得它具有良好的跨平台特性,特别适用于爬虫等程序的实现,此外Python还提供了例如Spyder这样的爬虫框架,BeautifulSoup这样的解析框架,能够轻松的开发出各种复杂的爬虫程序。

在这篇文章中,使用Python自带的urllib和BeautifulSoup库实现了一个简单的web爬虫,用来爬取每个URL地址及其对应的标题内容。

流程:

爬虫算法从输入中读取的一个URL作为初始地址,向该地址发出一个Request请求。

请求的地址返回一个包含所有内容的,将其存入一个String变量,使用该变量实例化一个BeautifulSoup对象,该对象能够将内容并且将其解析为一个DOM树。

根据自己的需要建立正则表达式,最后借助html标签从中解析出需要的内容和新的URL,将新的放入队列中。

对于目前所处的URL地址与爬去的内容,在进行一定的过滤、整理后会建立索引,这是一个单词- 页面的存储结构。当用户输入搜索语句后,相应的分词函数会对语句进行分解获得关键词,然后再根据每个关键词查找到相应的URL。通过这种结构,可以快速的获取这个单词所对应的地址列表。在这里使用树形结构的存储方式,Python的字典和列表类型能够较好的构建出单词词典树。

从队列中弹出目前的URL地址,在爬取队列不为空的条件下,算法不断从队列中获取到新的网页地址,并重复上述过程。

实现:

环境:

Python3.5orAnaconda3

BeautifulSoup4

可以使用下面的指令安装BeautifulSoup4,如果你是Ubuntu用户,记得在命令前面加上sudo:

pip install beautifulsoup4

程序分别实现了几个类,分别用于URL地址管理,Html内容请求、Html内容解析、索引建立以及爬虫主进程。我将整个程序按照每个Class分开解释,最后只要将他们放在一起就可以执行代码了。

UrlManager类

这个类用来管理URL地址,new_urls用来保存还未爬取的URL地址,old_urls保存了已经爬取过的地址,两个变量都使用set类型保证其中内容的唯一性。每次循环时,add_new_urls()向外提供了向new_urls变量中添加新urls的方法;add_new_url()方法,对每个url地址进行重复性检查,符合条件的才进行添加操作;get_urls()向外提供了获取新的url地址的方法;has_new_url()方法用来检查爬取队列是否为空。


   import re
   import urllib.request
   import urllib.parse
   from bs4 import BeautifulSoup
   
   
   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.add_new_url(url)
   
     def has_new_url(self):
       return len(self.new_urls) != 0
   
     def get_new_url(self):
       new_url = self.new_urls.pop()
       self.old_urls.add(new_url)
       return new_url
   
   

HtmlDownloader类

这个类实现了向url地址发送Request请求,并获取其回应的方法,调用类内的download()方法就可实现。这里要注意的是页面的编码问题,这里我使用的是UTF-8来进行decode解码,有的网页可能使用的是GBK编码,要根据实际情况进行修改。


   class HtmlDownloader(object):
     def download(self, url):
       if url is None:
         return None
       try:
         request = urllib.request.Request(url)
         response = urllib.request.urlopen(request)
         content = response.read().decode(\'utf-8\').encode(\'utf-8\')
         if content is None:
           return None
         if response.getcode() != 200:
           return None
       except urllib.request.URLError as e:
         print(e)
         return None
   
       return content
   

HtmlParser类

这个类通过实例化一个BeautifulSoup对象来进行页面的解析。它是一个使用Python编写的HTML/XML文档解析器。它通过将文档解析为DOM树的方式为用户提供需要抓取的数据,并且提供一些简单的函数用来处理导航、搜索、修改分析树等功能。

该类的关键是get_new_urls()、get_new_content()、get_url_title()三个方法。第一个方法用来解析出页面包含的超链接,最为重要的选择要解析的标签并为其构造合适的正则表达式。这里我为a标签定义了一个匹配正则,用来获取所有的站内链接,如下:


   links = soup.find_all(\'a\', href=re.compile(r\'^(%s).*(/|html)$\' % self.domain))`

后面的两个类都是通过解析Html标签来获取title的方法,最终在parse()中通过调取_get_new_content()来获得title内容。具体的标签访问方法不细谈了,读者可以自己翻阅BeautifulSoup的官方文档。


   class HtmlParser(object):
     def __init__(self, domain_url):
       self.domain = domain_url
       self.res = HtmlDownloader()
   
     def _get_new_urls(self, page_url, soup):
       new_urls = set()
       links = soup.find_all(\'a\', href=re.compile(r\'^(%s).*(/|html)$\' % self.domain))
   
       try:
         for link in links:
           new_url = link[\'href\']
           new_full_url = urllib.parse.urljoin(self.domain, new_url)
           new_urls.add(new_full_url)
   
         new_urls = list(new_urls)
         return new_urls
       except AttributeError as e:
         print(e)
         return None
   
     def _get_new_content(self, page_url, soup):
       try:
         title_name = soup.title.string
         return title_name
       except AttributeError as e:
         print(e)
         return None
   
     def get_url_title(self):
       content = self.res.download(self.domain)
   
       try:
         soup = BeautifulSoup(content, \'html.parser\', from_encoding=\'utf-8\')
         title_name = soup.title.string
         return title_name
       except:
         title_name = \'None Title\'
         return title_name
   
     def parse(self, page_url, html_cont):
       if page_url is None or html_cont is None:
         return None
   
       soup = BeautifulSoup(html_cont, \'html.parser\', from_encoding=\'utf-8\')
       new_data = self._get_new_content(page_url, soup)
       new_urls = self._get_new_urls(page_url, soup)
   
       return new_urls, new_data
   

BuildIndex

该类为每个URL地址与他的标题包含的关键词建立了一个索引关系并保存在一个Dict变量中,每个标题对应多个关键词,每个标题也对应多个url地址,因此每个关键词也对应了多个url地址,具体的形式如下:

index={\'keyword\':[url1,url2,...,urln],...}

其中,add_page_index()方法对每个标题进行了分词处理,并且调用了add_key_index()方法将keyword- url的对应关系存到索引中,这其中也进行了重复检查。主意,这个分词方法仅限于英文句子,中文的话需要用到特定的分词工具。


   class BuildIndex(object):
     def add_page_index(self, index, url, content):
       words = content.split()
       for word in words:
         index = self.add_key_index(index, url, word)
       return index
   
     def add_key_index(self, index, url, keyword):
       if keyword in index:
         if url not in index[keyword]:
           index[keyword].append(url)
       else:
         temp = []
         index[keyword] = temp
         index[keyword].append(url)
       return index
   
   

SpiderMain

这是爬虫的主题类,它通过调用其他几个类生成的对象来实现爬虫的运行。该类实例化的时候会永久生成上面几个类的对象,当通过craw()方法获取到用户提供的url地址时,就会依次进行请求、下载、解析、建立索引的工作。最后该方法会返回index,graph两个变量,他们分别是:

每个关键词集齐对应的地址,keyword-urls索引,如下

index={\'keyword\':[url1,url2,...,urln],...}

每个url及其页面中包含的urls,url-suburls索引,如下

graph={\'url\':[url1,url2,...,urln],...}


   class SpiderMain(object):
     def __init__(self, root_url):
       self.root_url = root_url
       self.urls = UrlManager()
       self.downloader = HtmlDownloader()
       self.parser = HtmlParser(self.root_url)
       self.build = BuildIndex()
   
     def craw(self):
       index = graph = {}
       self.urls.add_new_url(self.root_url)
       while self.urls.has_new_url():
         try:
           new_url = self.urls.get_new_url()
           html_cont = self.downloader.download(new_url)
           new_urls, new_title = self.parser.parse(new_url, html_cont)
           index = self.build.add_page_index(index, new_url, new_title)
           graph[new_url] = list(new_urls)
           self.urls.add_new_urls(new_urls)
         except Exception as e:
           print(e)
           return None
   
       return index, graph
   
   

最后,我们在程序中添加下面的代码,就可以成功的执行我们的爬虫了


   if __name__ == \'__main__\':
     spider = SpiderMain(\'http://www.xael.org/\')
     index, graph = spider.craw()
     print(index)
     print(graph)
   
   

 

 

以上是关于Python实现简易Web爬虫详解的主要内容,如果未能解决你的问题,请参考以下文章

Python实现--简易视频爬虫

python简易爬虫实现

简易爬虫实现校园网剩余流量查询

Python简易 爬虫+图形化界面

Python简易爬虫爬取百度贴吧图片

最简易的python web框架的后端实现