python爬虫之深度爬取实例

写了一个之前没完成的项目，代码优化不够，速度有点慢，应该也有错误的地方，望大佬看了之后能给点建议。。。。。。。。。

这是开始的url，先看一下它的网页结构：http://www.cymodel.net/deaafc/13143.html，可以观察到，整个网页大致分为六部分内容，中间的正文部分，右边的四部分新闻板块，还有最下面的一部分社会新闻。而每一个新闻链接点进去后又是一个相同模样的页面，爬取的目标是获取到所有的新闻title和对应的url。下面是代码，每部分链接的提取都差不多，利用find_all返回结果列表，然后再对列表进行遍历。

 import requests
 from bs4 import BeautifulSoup

 # response请求页面的响应，all_url_lis用于存放所有页面的utl，all_title_list用于存放所有页面的title，
 # i用来显示当前爬取到第几个页面

 def parse(response, all_url_list, all_title_list, i):
     html = response.content  # 先获取二进制形式的内容，下面再进行转换，否则会出现中文乱码
     html = str(html, encoding='utf-8')
     soup = BeautifulSoup(html, 'lxml')  # 利用Beautifulsoup解析库
     f = open('title_and_url.txt', 'a', encoding='utf-8')    # 打开文件，存储所有页面的title和url

     # 获取正文
     # content = soup.find(name='div', attrs={'class': 'main_article'})
     # p_list = content.find_all(name='p')
     # for p in p_list:
     #     print(p.string)

     flag = 0    # 用来标志当前页面的url有多少已经存储过了，后面可以作为结束循环的条件

     # 获取下方社会新闻
     Sociology_list = soup.find_all(name='div', attrs={'class': 'r'})
     sociology_a_list = Sociology_list[0].find_all(name='a')
     for a in sociology_a_list:
         sociology_title = a.string
         sociology_url = a.attrs.get('href')
         # print(sociology_title, sociology_url)
         # 判断列表中是否已经存在这个页面的url或title，实现去重
         if sociology_url not in all_url_list and sociology_title not in all_title_list:
             all_url_list.append(sociology_url)
             all_title_list.append(sociology_title)
             f.write(sociology_title + '   ' + sociology_url + '\n')
         else:
             flag += 1

     # 获取排行榜
     Ranking_list = soup.find_all(name='ul', attrs={'class': 'tt', 'id': 'tt'})
     rank_a_list = Ranking_list[0].find_all(name='a')
     for a in rank_a_list:
         rank_title = a.string
         rank_url = a.attrs.get('href')
         # print(rank_title, rank_url)
         if rank_url not in all_url_list and rank_title not in all_title_list:
             all_url_list.append(rank_url)
             all_title_list.append(rank_title)
             f.write(rank_title + '   ' + rank_url + '\n')
         else:
             flag += 1

     # 热点推荐
     hot_list = soup.find_all(name='ul', attrs={'class': 'ducheng_list'})
     hot_a_list = hot_list[0].find_all(name='a')
     for a in hot_a_list:
         hot_title = a.string
         hot_url = a.attrs.get('href')
         # print(hot_title, hot_url)
         if hot_url not in all_url_list and hot_title not in all_title_list:
             all_url_list.append(hot_url)
             all_title_list.append(hot_title)
             f.write(hot_title + '   ' + hot_url + '\n')
         else:
             flag += 1

     # 热点视频
     video_list = soup.find_all(name='ul', attrs={'class': 'tuku_list'})
     video_a_list = video_list[0].find_all(name='a')
     for a in video_a_list:
         video_title = a.string
         video_url = a.attrs.get('href')
         # print(video_title, video_url)
         if video_url not in all_url_list and video_title not in all_title_list:
             all_url_list.append(video_url)
             all_title_list.append(video_title)
             f.write(video_title + '   ' + video_url + '\n')
         else:
             flag += 1

     # 要闻
     yaowen_list = soup.find_all(name='ul', attrs={'class': 'yaowen_list'})
     yaowen_a_list = yaowen_list[0].find_all(name='a')
     for a in yaowen_a_list:
         yaowen_title = a.string
         yaowen_url = a.attrs.get('href')
         # print(yaowen_title, yaowen_url)
         if yaowen_url not in all_url_list and yaowen_title not in all_title_list:
             all_url_list.append(yaowen_url)
             all_title_list.append(yaowen_title)
             f.write(yaowen_title + '   ' + yaowen_url + '\n')
         else:
             flag += 1

     f.close()
     print('第{0}个页面存储完成'.format(i), flag)
     # 一个页面中有44条新闻。如果改页面中的所有url都已经被存储过了，则可以大致认为已经获取到了所有的url
     # 实际少了十三条
     if flag == 44:
         return flag
     else:
         return

 if __name__ == '__main__':
     all_url_list = []
     all_title_list = []
     url = 'http://www.cymodel.net/deaafc/13143.html'
     all_url_list.append(url)
     i = 0
     while (True):
         # 如果想要把all_url_list里面的每个页面的url全部爬取一遍，则可以用这个条件作为循环结束
         # 把下面的内嵌if和函数里面的if else注释掉即可
         if( i < len(all_url_list) ):
             response = requests.get(url=all_url_list[i])
             flag = parse(response, all_url_list, all_title_list, i+1)
             i += 1
             if flag == 44:
                 print('已爬取大部分的url！！！！！')
                 break
         else:
             print('已爬取到所有的url！！！！！')
             break

再写的时候，主要遇到了两个问题，一是如何实现去重，二是爬取到什么时候结束。

第一个问题的解决办法是，先定义两个列表，用于存放每个页面的url和title，也就是all_url_liat和all_title_list，然后再每次存放url和title之前，先判断列表里面有没有这个url，如果没有，则进行存储，并添加到列表中。本来之定义了一个url的列表，但后来发现有的网页之间url不同，title相同，里面的内容也相同，所以又加了一个all_title_list。用这种方法实现去重的好处是比较简单，容易想到，但坏处是列表里面的元素过多，比较占内容，会有两个具有四百多个元素的列表，而且每次添加数据前，都要过一遍列表，判断要添加的url是否已经再列表中，这样就会导致程序运行较慢。

第二个问题的解决办法一是根据每个页面未被存储的url数量判断，每个页面中共有44个新闻的链接，如果改页面中的44个链接都已经被存储过了，那么就认为已经获取到了大部分的url，第二种办法是把all_url_list中的每个url都爬取一下，这样能获取到所有的新闻链接，但耗时有点长，代码还需要优化。第一种办法的获取结果为416条，第二种办法获取到的是429条。

*****************************不积跬步，无以至千里。 *****************************