爬虫介绍02：爬取第一个站点

Posted 2020-07-13 ChenDaoDao2580

为了搜刮某个站点，第一步我们需要下载该站包含有用信息的页面，也就是我么尝尝提到的爬取过程。爬站的方式多种多样，我们需要根据目标站点的结构选择合适的爬站方案。下面讨论如何安全的爬站，以及常用的三种方法:

• Crawling a sitemap
• Iterating the database IDs of each web page
• Following web page links

1. 下载一个Web页面

爬取网页前，首先需要下载他们。下面的Python脚本，使用了Python的 urllib2 模块下载一个URL：

import urllib2

def download(url):
    return urllib2.urlopen(url).read()

这个 download 方法会下载传入的URL指向的页面，并返回html。 这段代码存在的问题是，当下载页面遇到错误时，我们无法加以掌控。例如： 被请求的页面可能已经不存在了。该情况下，urllib2 会抛出异常，并退出脚本。 安全起见，下面是这个程序的健壮版本，可以捕获异常：

import urllib2

def download(url):
    print 'Downloading:', url
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
    return html

现在，如果脚本出现异常，异常信息会被抓取，并返回 None。

1.1 下载重试

有时候，下载过程的遇到的错误只是临时的，例如 Web Server 过载并返回了一个 503 服务不可用的报错。 对于这类错误，可以选择重新下载，可能问题就解决了。但是，并不是所有的错误都可以用下载重试解决，比如 404 找不到资源的错误，这类错误，重试多少遍都是一样的结果。

完整的 HTTP 错误清单由 Internet Engineering Task Force 来定义，详情见： https://tools.ietf.org/html/ rfc7231#section-6。从文档中的描述可以知道 4xx 的错误往往是因为我们的请求有问题，5xx 的错误是因为服务器端出了问题。 因此我们限制爬虫只针对 5xx 的错误发起下载重试。下面是支持该功能的脚本：

def download(url, num_retries=2):
    print 'Downloading:', url
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                # recursively retry 5xx HTTP errors
                return download(url, num_retries-1)
    return html

现在当下载遇到 5XX 错误时，download 方法会递归的调用自身。download方法通过参数 num_retries 设定重试的次数，这里默认是2次。之所以设置有限的重试次数，是因为 Server 的问题不一定及时回复。可以用下面的URL来做该方法的测试，http://httpstat.us/500，它会返回一个 500 代码的错误：

>>> download('http://httpstat.us/500')
Downloading: http://httpstat.us/500
Download error: Internal Server Error
Downloading: http://httpstat.us/500
Download error: Internal Server Error
Downloading: http://httpstat.us/500
Download error: Internal Server Error

正如预期的那样，下载函数尝试下载页面，在收到 500 错误后，它会在放弃之前再重试两次。

1.2 设置 User Agent

默认情况下，urllib2 使用 User Agent Python-urllib/2.7 下载页面内容。2.7 是你所用的Python版本。有些站点会封掉咱们的默认User Agent 请求。例如，下面的内容是使用默认 User Agent 爬取网站
http://www.meetup.com/ 返回的响应：

因此，为了使下载更可靠，我们需要对 User Agent 加以控制。下面的程序段加入了相关功能的更新，将默认 User Agent 改成了 wswp （Web Scraping with Python）：

def download(url, user_agent='wswp', num_retries=2):
    print 'Downloading:', url
    headers = {'User-agent': user_agent}
    request = urllib2.Request(url, headers=headers)
    try:
        html = urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                # retry 5XX HTTP errors
                return download(url, user_agent, num_retries-1)
    return html

现在我们有了一个灵活的download方法，在后面的操作中我们将复用这个例子。

2. Sitemap 爬虫

第一个爬虫，我们将利用在 example website 上发现的 robots.txt 来下载所有页面。 为了解析 sitemap 文件内容，我们使用简单的正则表达式来提取 标签里的 URL 。 除了正则表达式，我们还可以使用一个更加健壮的解析方法（CSS 选择器）。下面是我们第一个 example 爬虫：

def crawl_sitemap(url):
    # download the sitemap file
    sitemap = download(url)
    # extract the sitemap links
    links = re.findall('<loc>(.*?)</loc>', sitemap)
    # download each link
    for link in links:
        html = download(link)
        # scrape html here
        # ...

现在我们运行这个 sitemap crawler 去从 example website 下载所有 countries 相关的页面：

>>> crawl_sitemap('http://example.webscraping.com/sitemap.xml')
Downloading: http://example.webscraping.com/sitemap.xml
Downloading: http://example.webscraping.com/view/Afghanistan-1
Downloading: http://example.webscraping.com/view/Aland-Islands-2
Downloading: http://example.webscraping.com/view/Albania-3

值得提醒的是，Sitemap 并不能保证包含所有的页面。下一小节，我们介绍另外一种爬虫，这个爬虫不需要依赖 Sitemap 文件。

3. ID 迭代爬虫

这一节，我们利用站点结构的漏洞来轻松访问内容。 下面是一些 sample countries 的 URL：

• http://example.webscraping.com/view/Afghanistan-1
• http://example.webscraping.com/view/Aland-Islands-2
• http://example.webscraping.com/view/Albania-3

URL 之间只有最后不同，国家的名字（URL 中的 slug）和 ID（URL后面的数字）。 一般而言，网站服务器会忽略 slug（第三个URL的粗体部分），仅仅通过后面的 ID 来匹配数据库中的数据。我们删掉 slug 只带上 ID 访问一下URL： http://example.webscraping.com/view/1

仍然可以加载页面！如此一来，我们可以忽略 slug ，仅仅使用 ID 来下载所有国家页面。看看下面的这段代码：

import itertools
for page in itertools.count(1):
    url = 'http://example.webscraping.com/view/-%d' % page
    html = download(url)
    if html is None:
        break
    else:
        # success - can scrape the result
        pass

这里，我们迭代 ID 直到遇到下载报错，也就意味着没有尚未下载的页面了。这样做有个缺点，如果 ID 为 5 的那条记录被删除了，那么 5 以后的数据，我们都爬不到了。 下面的代码加入了改进内容，允许爬虫在遇到连续 N 次的下载错误后才退出：

# maximum number of consecutive download errors allowed
max_errors = 5
# current number of consecutive download errors
num_errors = 0
for page in itertools.count(1):
    url = 'http://example.webscraping.com/view/-%d' % page
    html = download(url)
    if html is None:
        # received an error trying to download this webpage
        num_errors += 1
        if num_errors == max_errors:
            # reached maximum number of
            # consecutive errors so exit
            break
    else:
        # success - can scrape the result
        # ...
        num_errors = 0

现在爬虫要遇到连续的五次下载错误，才会退出，降低了因部分记录删除引起的提前停止爬取内容。这种方式还是不够健壮。例如，有些网站会对 slug 做校验， 如果请求的 URL 中没有 slug 就会返回 404 错误信息。还有的网站的 ID 是不连续的或是非数字的。Amazon 使用 ISBNs 作为图书的 ID，每个 ISBN 最少有8位数字组成。这样就让爬取工作显得很尴尬了。

4. 链接爬虫

前面两种爬虫实现简单，但往往并不具备一定的通用性，健壮性也不够。
对于其他网站，我们期望爬虫表现的更像是一个典型用户，根据链接爬取有趣的内容。例如我们要爬取某个论坛的用户账户详细信息，仅需要爬取该网站的账号详情页面。链接爬虫，可以使用正则表达式来决定哪些页面需要被下载。下面是这个爬虫的初始版本的代码：

import re

def link_crawler(seed_url, link_regex):
    """Crawl from the given seed URL following links matched by link_regex
    """
    crawl_queue = [seed_url]
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        # filter for links matching our regular expression
        for link in get_links(html):
            if re.match(link_regex, link):
                crawl_queue.append(link)

def get_links(html):
    """Return a list of links from html
    """
    # a regular expression to extract all links from the webpage
    webpage_regex = re.compile('<a[^>]+href=["\\'](.*?)["\\']',
    re.IGNORECASE)
    # list of all links from the webpage

运行爬虫，调用 link_crawler function即可，传入要爬取站点的 URL 和正则表达式用于过滤目标 URL。 这里，我们要爬取国家的列表和国家信息。

索引连接符合以下格式：

• http://example.webscraping.com/index/1
• http://example.webscraping.com/index/2

国家页面符合以下格式：

• http://example.webscraping.com/view/Afghanistan-1
• http://example.webscraping.com/view/Aland-Islands-2

我们需要的匹配一上两种格式的正则表达式就是：/(index|view)/

如果我们运行爬虫，会报下载错误：

>>> link_crawler('http://example.webscraping.com',
'example.webscraping.com/(index|view)/')
Downloading: http://example.webscraping.com
Downloading: /index/1
Traceback (most recent call last):
...
ValueError: unknown url type: /index/1

/index/1 知识页面的相对路径，完整的URL包括协议和服务器。为了使 urllib2 定位网页，我们需要把这个相对链接转化为绝对地址。幸运的是，Python 中有个模块叫做 urlparse 可以做到这一点。下面是包含 urlparse 的链接爬虫的改进代码：

import urlparse

def link_crawler(seed_url, link_regex):
    """Crawl from the given seed URL following links matched by link_regex
    """
    crawl_queue = [seed_url]
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        for link in get_links(html):
            if re.match(link_regex, link):
                link = urlparse.urljoin(seed_url, link)
                crawl_queue.append(link)

运行这段代码不再报错了，但是还有一个问题。由于页面直间的互通性，往往会重复下载已经处理的页面。为了防止爬取重复的链接，我们需要跟踪已经爬取的页面。 下面是改进后的代码：

def link_crawler(seed_url, link_regex):
    crawl_queue = [seed_url]
    # keep track which URL's have seen before
    seen = set(crawl_queue)
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        for link in get_links(html):
            # check if link matches expected regex
            if re.match(link_regex, link):
                # form absolute link
                link = urlparse.urljoin(seed_url, link)
                # check if have already seen this link
                if link not in seen:
                    seen.add(link)
                    crawl_queue.append(link)

运行这个脚本，终于如愿抓取了想要的内容，有了一个可以正常工作的爬虫了!

4.1 高级功能

4.1.1 解析 robots.txt

首先，我们需要解析 robots.txt ，避免下载 Blocked URLs。Python 中有个叫做 robotparser 的模块，可以帮我们完成这个工作：

>>> import robotparser
>>> rp = robotparser.RobotFileParser()
>>> rp.set_url('http://example.webscraping.com/robots.txt')
>>> rp.read()
>>> url = 'http://example.webscraping.com'
>>> user_agent = 'BadCrawler'
>>> rp.can_fetch(user_agent, url)
False
>>> user_agent = 'GoodCrawler'
>>> rp.can_fetch(user_agent, url)
True

robotparser 模块加载 robots.txt 文件，然后提供了 can_fetch()
方法，可以告知我们某个特定的 User Agent 是否被目标站允许访问。上面，当把 user agent 设置为 ‘BadCrawler’， robotparser 模块告诉我们这个页面不能爬。正如 robots.txt 中事先定义好的。

把这个功能集成到爬虫，我们需要在爬去循环内添加校验：

...
while crawl_queue:
    url = crawl_queue.pop()
    # check url passes robots.txt restrictions
    if rp.can_fetch(user_agent, url):
        ...
    else:
        print 'Blocked by robots.txt:', url

4.1.2 支持代理

有些网站，我们只能通过代理访问，比如 Netflix，它不允许美国以外的IP访问。让 urllib2 支持代理不是太容易 （比较友好的是 requests 模块，可以参考文档 http://docs.python-requests.org/）。下面的代码展示了如何让 urllib2 支持代理：

proxy = ...
opener = urllib2.build_opener()
proxy_params = {urlparse.urlparse(url).scheme: proxy}
opener.add_handler(urllib2.ProxyHandler(proxy_params))
response = opener.open(request)

下面是支持代理的升级版 download 方法：

    def download(url, user_agent='wswp', proxy=None, num_retries=2):
    print 'Downloading:', url
    headers = {'User-agent': user_agent}
    request = urllib2.Request(url, headers=headers)
    opener = urllib2.build_opener()
    if proxy:
        proxy_params = {urlparse.urlparse(url).scheme: proxy}
        opener.add_handler(urllib2.ProxyHandler(proxy_params))
    try:
        html = opener.open(request).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                # retry 5XX HTTP errors
                html = download(url, user_agent, proxy,
                num_retries-1)
    return html

4.1.3 减速下载

如果我们的爬虫下载过快，会导致IP被封或过载服务器。为了避免此类事件发生，我们可以在两个下载中间加入延迟操作：

class Throttle:
    """Add a delay between downloads to the same domain
    """
    def __init__(self, delay):
        # amount of delay between downloads for each domain
        self.delay = delay
        # timestamp of when a domain was last accessed
        self.domains = {}

    def wait(self, url):
        domain = urlparse.urlparse(url).netloc
            last_accessed = self.domains.get(domain)
        if self.delay > 0 and last_accessed is not None:
            sleep_secs = self.delay - (datetime.datetime.now() -
            last_accessed).seconds
            if sleep_secs > 0:
                # domain has been accessed recently
                # so need to sleep
                time.sleep(sleep_secs)
            # update the last accessed time
            self.domains[domain] = datetime.datetime.now()

Throttle 类确保了两次访问同一个 domain 的时间间隔大于等于指定值。我们可以在爬虫的下载方法前，加入 Throttle：

throttle = Throttle(delay)
...
throttle.wait(url)
result = download(url, headers, proxy=proxy,
num_retries=num_retries)

4.1.4 规避爬虫陷阱

比如有个提供万年历服务的网站，日历是一天指向一天，年复一年往后排，如果爬去到这些链接，会没完没了，明后年还没到的这些链接，就构成了爬虫陷阱。

这里，我们用爬取深度 depth 来做控制。看关联到某个页面链接数，如果打到设定的深度，就不再将链接到当前页面的子页面加入爬取队列。为了实现这个功能，我们修改 seen 变量，它当前被用来追踪已访问的页面，在字典中记录着访问的这些页面的深度：

def link_crawler(..., max_depth=2):
    max_depth = 2
    seen = {}
    ...
    depth = seen[url]
    if depth != max_depth:
        for link in links:
            if link not in seen:
                seen[link] = depth + 1
                crawl_queue.append(link)

有了这个特性，我们可以确保爬虫最后一定会结束。如果要关闭这个功能，只需要将 max_depth设置为负值。当前深度用于不会等于它。

4.1.5 最终版本的程序

包含高级特性的最终程序下载地址：https://bitbucket.org/wswp/code/src/tip/chapter01/link_crawler3.py
测试的话，我们设置 user agent为 BadCrawler，这个在 robots.txt 里定义的是需要禁止的UserAgent。正如预期，爬虫被封，立刻停止了：

>>> seed_url = 'http://example.webscraping.com/index'
>>> link_regex = '/(index|view)'
>>> link_crawler(seed_url, link_regex, user_agent='BadCrawler')
Blocked by robots.txt: http://example.webscraping.com/

下面换个User Agent，把最大深度设置为1，运行爬虫，预期应该能爬取首页第一页的所有内容：

>>> link_crawler(seed_url, link_regex, max_depth=1)
Downloading: http://example.webscraping.com//index
Downloading: http://example.webscraping.com/index/1
Downloading: http://example.webscraping.com/view/Antigua-and-Barbuda-10
Downloading: http://example.webscraping.com/view/Antarctica-9
Downloading: http://example.webscraping.com/view/Anguilla-8
Downloading: http://example.webscraping.com/view/Angola-7
Downloading: http://example.webscraping.com/view/Andorra-6
Downloading: http://example.webscraping.com/view/American-Samoa-5
Downloading: http://example.webscraping.com/view/Algeria-4
Downloading: http://example.webscraping.com/view/Albania-3
Downloading: http://example.webscraping.com/view/Aland-Islands-2
Downloading: http://example.webscraping.com/view/Afghanistan-1

正如预期，爬虫停掉了，下载了第一页关于国家的所有信息。

下一节，我们将讨论如何在爬到的页面中提取数据。