Python实现简易Web爬虫详解

Python实现简易Web爬虫详解,第1张

概述简介: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

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d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 *** 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 reimport urllib.requestimport urllib.parsefrom bs4 import BeautifulSoupclass 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,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,HTML_cont):    if page_url is None or HTML_cont is None:      return None    soup = BeautifulSoup(HTML_cont,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,word)    return index  def add_key_index(self,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,...}

每个url及其页面中包含的urls,url-suburls索引,如下

graph={'url':[url1,...}

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)

总结

以上就是本文关于Python实现简易Web爬虫详解的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题,如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!

总结

以上是内存溢出为你收集整理的Python实现简易Web爬虫详解全部内容,希望文章能够帮你解决Python实现简易Web爬虫详解所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/langs/1200816.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-06-04
下一篇 2022-06-04

发表评论

登录后才能评论

评论列表(0条)

保存