python3网络爬虫笔记

参考资料

• Python官方文档
• 知乎相关资料(1) 这篇非常好, 通俗易懂的总览整个Python学习框架.
• 知乎相关资料(2)

代码实现(一): 用Python抓取指定页面

 #!/usr/bin/env python
 #encoding:UTF-8
 import urllib.request

 url = "http://www.baidu.com"
 data = urllib.request.urlopen(url).read()
 data = data.decode('UTF-8')
 print(data)

urllib.request是一个库, 隶属urllib. 点此打开官方相关文档. 官方文档应该怎么使用呢? 首先点刚刚提到的这个链接进去的页面有urllib的几个子库, 我们暂时用到了request, 所以我们先看urllib.request部分. 首先看到的是一句话介绍这个库是干什么用的:

The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

然后把我们代码中用到的urlopen()函数部分阅读完.

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False)

重点部分是返回值, 这个函数返回一个 http.client.HTTPResponse 对象, 这个对象又有各种方法, 比如我们用到的read()方法, 这些方法都可以根据官方文档的链接链过去. 根据官方文档所写, 我用控制台运行完毕上面这个程序后, 又继续运行如下代码, 以更熟悉这些乱七八糟的方法是干什么的。

>>> import urllib.request
>>> a = urllib.request.urlopen('http://10.54.0.2/OAapp/WebObjects/OAapp.woa')
>>> type(a)
<class 'http.client.HTTPResponse'>
>>> a.geturl()
'http://10.54.0.2/OAapp/WebObjects/OAapp.woa'
>>> a.info()
<http.client.HTTPMessage object at 0x7f390a3d4780>
>>> a.getcode()
200

如果要抓取百度上面搜索关键词为Jecvay Notes的网页, 则代码如下

 #!/usr/bin/env python
 #encoding:UTF-8
 import urllib
 import urllib.request

 data={}
 data['word']='Jecvay Notes'

 url_values=urllib.parse.urlencode(data)
 url="http://www.baidu.com/s?"
 full_url=url+url_values

 data=urllib.request.urlopen(full_url).read()
 data=data.decode('UTF-8')
 print(data)

data是一个字典, 然后通过urllib.parse.urlencode()来将data转换为 'word=Jecvay+Notes'的字符串, 最后和url合并为full_url, 其余和上面那个最简单的例子相同. 关于urlencode(), 同样通过官方文档学习一下他是干什么的. 通过查看

1. urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)
2. urllib.parse.quote_plus(string, safe='', encoding=None, errors=None)

大概知道他是把一个通俗的字符串, 转化为url格式的字符串。

Python的队列

在爬虫程序中, 用到了广度优先搜索(BFS)算法. 这个算法用到的数据结构就是队列.

Python的List功能已经足够完成队列的功能, 可以用 append() 来向队尾添加元素, 可以用类似数组的方式来获取队首元素, 可以用 pop(0) 来弹出队首元素. 但是List用来完成队列功能其实是低效率的, 因为List在队首使用 pop(0) 和 insert() 都是效率比较低的, Python官方建议使用collection.deque来高效的完成队列任务.

 #!/usr/bin/env python
 #encoding:UTF-8
 from collections import deque
 queue = deque(["Eric", "John", "Michael"])
 queue.append("Terry")           # Terry 入队
 print(queue)
 queue.append("Graham")          # Graham 入队
 print(queue)
 queue.popleft()                 # 队首元素出队
 print(queue)
 #输出: 'Eric'
 queue.popleft()                 # 队首元素出队
 #输出: 'John'
 print(queue)                    # 队列中剩下的元素

Python的集合

在爬虫程序中, 为了不重复爬那些已经爬过的网站, 我们需要把爬过的页面的url放进集合中, 在每一次要爬某一个url之前, 先看看集合里面是否已经存在. 如果已经存在, 我们就跳过这个url; 如果不存在, 我们先把url放入集合中, 然后再去爬这个页面。

Python提供了set这种数据结构. set是一种无序的, 不包含重复元素的结构. 一般用来测试是否已经包含了某元素, 或者用来对众多元素们去重. 与数学中的集合论同样, 他支持的运算有交, 并, 差, 对称差.

创建一个set可以用 set() 函数或者花括号 {} . 但是创建一个空集是不能使用一个花括号的, 只能用 set() 函数. 因为一个空的花括号创建的是一个字典数据结构. 以下同样是Python官网提供的示例。

 >>> basket = {'apple', 'orange', 'apple', 'pear', 'orange', 'banana'}
 >>> print(basket)                      # 这里演示的是去重功能
 {'orange', 'banana', 'pear', 'apple'}
 >>> 'orange' in basket                 # 快速判断元素是否在集合内
 True
 >>> 'crabgrass' in basket
 False

 >>> # 下面展示两个集合间的运算.
 ...
 >>> a = set('abracadabra')
 >>> b = set('alacazam')
 >>> a
 {'a', 'r', 'b', 'c', 'd'}
 >>> a - b                              # 集合a中包含元素
 {'r', 'd', 'b'}
 >>> a | b                              # 集合a或b中包含的所有元素
 {'a', 'c', 'r', 'd', 'b', 'm', 'z', 'l'}
 >>> a & b                              # 集合a和b中都包含了的元素
 {'a', 'c'}
 >>> a ^ b                              # 不同时包含于a和b的元素
 {'r', 'd', 'b', 'm', 'z', 'l'}

其实我们只是用到其中的快速判断元素是否在集合内的功能, 以及集合的并运算。

Requests Module

Requests 是 Python 界大名鼎鼎的一个网络库, 其设计哲学是为人类而设计, 所以他提供的功能都非常的人性化. 他的方便对我而言主要有两大点:

• 对 GET 和 POST 方法的封装做的很好, 自动处理了编码等问题;
• 默认开启了 Cookies 处理, 在处理需要登录的问题上面非常方便.

Requests 的方便之处不止这两点, 还提供了诸如标准登录接口之类的功能, 我们暂时用不上.

总而言之, 对于使用过 urllib 的我们来说, 用 requests 会感觉我们之前生活在石器时代. 第三方库的强大就在于这里, 这也是 Python 这么火的重要原因.

BeautifulSoup Module

BeautifulSoup 大大方便了我们对抓取的 HTML 数据的解析, 可以用tag, class, id来定位我们想要的东西, 可以直接提取出正文信息, 可以全文搜索, 同样也支持正则表达式, 相当给力.

小试牛刀

我们随便抓取一个页面, 然后用 soup 来解析一下试试他的威力:

 >>> import requests
 >>> from bs4 import BeautifulSoup
 >>> response = requests.get("http://jecvay.com")
 >>> soup = BeautifulSoup(response.text)

 >>> print(soup.title.text)
 Jecvay Notes - Good luck & Have fun

 >>> print(soup.body.text)
 改版策略: 技术博客的真正索引

 上周, 我换掉了我博客的主题, 使用 BootStrap 框架自己写了一个. 在自己动手写博客主题之前,
 我时常时不时到后台主题商店去翻一翻, 想要发现更好看的主题. 挑选有两种:
 在一大堆展示面前, 快速浏览, 看到亮眼的就仔细看一看是否满意;
 自己想好一个目标, 然后用筛选器(或者人肉)筛选出来.
 阅读全文 >> (...省略若干)

 >>> for x in soup.findAll("a"):
 ...   print(x['href'])
 ...
 http://jecvay.com/2015/02/the-real-index-of-tech-blog.html
 http://jecvay.com/2015/02/the-real-index-of-tech-blog.html
 http://jecvay.com/2015/01/wordpress-super-cache.html
 http://jecvay.com/2015/01/learning-vps-3.html
 http://jecvay.com/2015/01/nobot-anti-webspider.html
 http://jecvay.com/2015/01/learning-vps-2.html
 http://jecvay.com/2014/12/learning-vps-1.html
 http://jecvay.com/2014/11/what-is-min-cut.html
 http://jecvay.com/2014/11/compiler-makes-fast-build.html
 /about-me
 /archive

我们十分轻松的获得了全文内容以及所有链接.

重访知乎

在上一篇文章中, 我尝试使用 urllib 和 re 获取了知乎登录页面的 _xsrf 参数, 这次我们通过这两个新的模块再试一次.

打开浏览器隐身模式, 打开知乎网, 来到登录界面, 查看源代码, 搜索 xsrf 字样, 得到如下一行:

<input type="hidden" name="_xsrf" value="d4ff8d988193442a774bd0ccff336101"/>

于是我们只要两行代码就能搞定:

 >>> soup = BeautifulSoup(requests.get("http://www.zhihu.com").text)
 >>> print(soup.find("input", {"name": "_xsrf"})['value'])
 d4ff8d18b293442a764bd0ccff333601

第三方库就是这么好用!