有人知道我可以使用的基于 Python 的优秀网络爬虫吗？
Posted
技术标签:
【中文标题】有人知道我可以使用的基于 Python 的优秀网络爬虫吗？【英文标题】：Anyone know of a good Python based web crawler that I could use? 【发布时间】：2010-09-29 23:21:46 【问题描述】：我有点想自己写，但我现在真的没有足够的时间。我已经看过open source crawlers 的***列表，但我更喜欢用 Python 编写的东西。我意识到我可能只使用 Wikipedia 页面上的一种工具并将其包装在 Python 中。我最终可能会这样做 - 如果有人对这些工具有任何建议，我愿意听取他们的意见。我通过它的网络界面使用了 Heritrix，我发现它非常麻烦。我绝对不会在即将到来的项目中使用浏览器 API。
提前致谢。另外，这是我的第一个 SO 问题！
【问题讨论】：
pypi.python.org/pypi/crawler/0.1.0 pycurl 也不错。 pycurl.sourceforge.net Hound是一个用python开发的简单的网络爬虫。 【参考方案1】： Mechanize 是我的最爱；强大的高级浏览功能（超级简单的表单填写和提交）。 Twill 是一种建立在 Mechanize 之上的简单脚本语言 BeautifulSoup + urllib2 也很好用。 Scrapy 看起来是一个非常有前途的项目；这是新的。【讨论】：
将 urrlib2 添加到 Beautiful Soup 中，您就有了很好的工具组合。 那些库可以用来爬虫，但它们本身不是爬虫 例如，使用scrapy，为抓取创建一套规则真的很简单。其他的没试过，但是 Scrapy 确实是一段不错的代码。 @RexE，关于如何使用 Mechanize 从特定网页收集数据的任何建议，或者关于如何使用 Mechanize 做一些实际工作的任何示例，而不仅仅是演示？提前致谢。【参考方案2】：使用Scrapy。
它是一个基于twisted的网络爬虫框架。仍在大力开发中，但它已经可以工作了。有很多好东西：
内置支持解析 html、XML、CSV 和 javascript 一种媒体管道，用于使用图像（或任何其他媒体）抓取项目并下载图像文件 支持通过使用中间件、扩展和管道插入您自己的功能来扩展 Scrapy 广泛的内置中间件和扩展，用于处理压缩、缓存、cookie、身份验证、用户代理欺骗、robots.txt 处理、统计、抓取深度限制等 交互式抓取shell控制台，对开发和调试非常有用 用于监视和控制机器人的 Web 管理控制台 用于对 Scrapy 进程进行低级访问的 Telnet 控制台通过在返回的 HTML 上使用 XPath 选择器来提取有关今天添加到 mininova torrent 站点中的所有 torrent 文件信息的示例代码：
class Torrent(ScrapedItem):
pass
class MininovaSpider(CrawlSpider):
domain_name = 'mininova.org'
start_urls = ['http://www.mininova.org/today']
rules = [Rule(RegexLinkExtractor(allow=['/tor/\d+']), 'parse_torrent')]
def parse_torrent(self, response):
x = HtmlXPathSelector(response)
torrent = Torrent()
torrent.url = response.url
torrent.name = x.x("//h1/text()").extract()
torrent.description = x.x("//div[@id='description']").extract()
torrent.size = x.x("//div[@id='info-left']/p[2]/text()[2]").extract()
return [torrent]
【讨论】：
【参考方案3】：查看HarvestMan，一个用Python编写的多线程网络爬虫，也看看spider.py模块。
here 你可以找到代码示例来构建一个简单的网络爬虫。
【讨论】：
【参考方案4】：我用过Ruya，感觉还不错。
【讨论】：
Ruya好像不能下载了？我在任何地方都找不到他们的压缩包。【参考方案5】：我破解了上面的脚本以包含一个登录页面，因为我需要它来访问一个 drupal 站点。不漂亮，但可以帮助那里的人。
#!/usr/bin/python
import httplib2
import urllib
import urllib2
from cookielib import CookieJar
import sys
import re
from HTMLParser import HTMLParser
class miniHTMLParser( HTMLParser ):
viewedQueue = []
instQueue = []
headers =
opener = ""
def get_next_link( self ):
if self.instQueue == []:
return ''
else:
return self.instQueue.pop(0)
def gethtmlfile( self, site, page ):
try:
url = 'http://'+site+''+page
response = self.opener.open(url)
return response.read()
except Exception, err:
print " Error retrieving: "+page
sys.stderr.write('ERROR: %s\n' % str(err))
return ""
return resppage
def loginSite( self, site_url ):
try:
cj = CookieJar()
self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
url = 'http://'+site_url
params = 'name': 'customer_admin', 'pass': 'customer_admin123', 'opt': 'Log in', 'form_build_id': 'form-3560fb42948a06b01d063de48aa216ab', 'form_id':'user_login_block'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
self.headers = 'User-Agent' : user_agent
data = urllib.urlencode(params)
response = self.opener.open(url, data)
print "Logged in"
return response.read()
except Exception, err:
print " Error logging in"
sys.stderr.write('ERROR: %s\n' % str(err))
return 1
def handle_starttag( self, tag, attrs ):
if tag == 'a':
newstr = str(attrs[0][1])
print newstr
if re.search('http', newstr) == None:
if re.search('mailto', newstr) == None:
if re.search('#', newstr) == None:
if (newstr in self.viewedQueue) == False:
print " adding", newstr
self.instQueue.append( newstr )
self.viewedQueue.append( newstr )
else:
print " ignoring", newstr
else:
print " ignoring", newstr
else:
print " ignoring", newstr
def main():
if len(sys.argv)!=3:
print "usage is ./minispider.py site link"
sys.exit(2)
mySpider = miniHTMLParser()
site = sys.argv[1]
link = sys.argv[2]
url_login_link = site+"/node?destination=node"
print "\nLogging in", url_login_link
x = mySpider.loginSite( url_login_link )
while link != '':
print "\nChecking link ", link
# Get the file from the site and link
retfile = mySpider.gethtmlfile( site, link )
# Feed the file into the HTML parser
mySpider.feed(retfile)
# Search the retfile here
# Get the next link in level traversal order
link = mySpider.get_next_link()
mySpider.close()
print "\ndone\n"
if __name__ == "__main__":
main()
【讨论】：
【参考方案6】：相信我，没有什么比 curl 更好的了……以下代码可以在不到 300 秒的时间内在 Amazon EC2 上并行抓取 10,000 个 url
注意： 不要以如此高的速度访问同一个域.. .
#! /usr/bin/env python
# -*- coding: iso-8859-1 -*-
# vi:ts=4:et
# $Id: retriever-multi.py,v 1.29 2005/07/28 11:04:13 mfx Exp $
#
# Usage: python retriever-multi.py <file with URLs to fetch> [<# of
# concurrent connections>]
#
import sys
import pycurl
# We should ignore SIGPIPE when using pycurl.NOSIGNAL - see
# the libcurl tutorial for more info.
try:
import signal
from signal import SIGPIPE, SIG_IGN
signal.signal(signal.SIGPIPE, signal.SIG_IGN)
except ImportError:
pass
# Get args
num_conn = 10
try:
if sys.argv[1] == "-":
urls = sys.stdin.readlines()
else:
urls = open(sys.argv[1]).readlines()
if len(sys.argv) >= 3:
num_conn = int(sys.argv[2])
except:
print "Usage: %s <file with URLs to fetch> [<# of concurrent connections>]" % sys.argv[0]
raise SystemExit
# Make a queue with (url, filename) tuples
queue = []
for url in urls:
url = url.strip()
if not url or url[0] == "#":
continue
filename = "doc_%03d.dat" % (len(queue) + 1)
queue.append((url, filename))
# Check args
assert queue, "no URLs given"
num_urls = len(queue)
num_conn = min(num_conn, num_urls)
assert 1 <= num_conn <= 10000, "invalid number of concurrent connections"
print "PycURL %s (compiled against 0x%x)" % (pycurl.version, pycurl.COMPILE_LIBCURL_VERSION_NUM)
print "----- Getting", num_urls, "URLs using", num_conn, "connections -----"
# Pre-allocate a list of curl objects
m = pycurl.CurlMulti()
m.handles = []
for i in range(num_conn):
c = pycurl.Curl()
c.fp = None
c.setopt(pycurl.FOLLOWLOCATION, 1)
c.setopt(pycurl.MAXREDIRS, 5)
c.setopt(pycurl.CONNECTTIMEOUT, 30)
c.setopt(pycurl.TIMEOUT, 300)
c.setopt(pycurl.NOSIGNAL, 1)
m.handles.append(c)
# Main loop
freelist = m.handles[:]
num_processed = 0
while num_processed < num_urls:
# If there is an url to process and a free curl object, add to multi stack
while queue and freelist:
url, filename = queue.pop(0)
c = freelist.pop()
c.fp = open(filename, "wb")
c.setopt(pycurl.URL, url)
c.setopt(pycurl.WRITEDATA, c.fp)
m.add_handle(c)
# store some info
c.filename = filename
c.url = url
# Run the internal curl state machine for the multi stack
while 1:
ret, num_handles = m.perform()
if ret != pycurl.E_CALL_MULTI_PERFORM:
break
# Check for curl objects which have terminated, and add them to the freelist
while 1:
num_q, ok_list, err_list = m.info_read()
for c in ok_list:
c.fp.close()
c.fp = None
m.remove_handle(c)
print "Success:", c.filename, c.url, c.getinfo(pycurl.EFFECTIVE_URL)
freelist.append(c)
for c, errno, errmsg in err_list:
c.fp.close()
c.fp = None
m.remove_handle(c)
print "Failed: ", c.filename, c.url, errno, errmsg
freelist.append(c)
num_processed = num_processed + len(ok_list) + len(err_list)
if num_q == 0:
break
# Currently no more I/O is pending, could do something in the meantime
# (display a progress bar, etc.).
# We just call select() to sleep until some more data is available.
m.select(1.0)
# Cleanup
for c in m.handles:
if c.fp is not None:
c.fp.close()
c.fp = None
c.close()
m.close()
【讨论】：
【参考方案7】：另一个simple spider 使用 BeautifulSoup 和 urllib2。没什么太复杂的，只是读取所有的 href 构建一个列表并通过它。
【讨论】：
【参考方案8】：pyspider.py
【讨论】：
以上是关于有人知道我可以使用的基于 Python 的优秀网络爬虫吗？的主要内容，如果未能解决你的问题，请参考以下文章
我是 python 新手，我偶然发现了一个函数/变量？我不知道它是做啥的，有人可以解释一下吗？ [复制]