爬取的网站类型:

论坛类网站类型

涉及主要的第三方模块:

BeautifulSoup:解析、遍历页面

urllib:处理URL请求

Flask:简易的WEB框架

介绍:

本次主要使用urllib获取网页数据,然后通过BeautifulSoup进行页面解析,返回json结构的数据。

功能点:

  • urllib根据URL通过GET方式获取网页内容;

  • 通过JSON文件配置

  • 解析页面结构,返回JSON结构的数据

  • 提供REST服务进行调用

特点:

1、提供数据描述服务,总页面,每页条数,总条数;

2、增量请求数据,只获取当前时间和上次请求时间之间的数据;

3、控制请求时间间隔,防治IP被封杀

4、分页数据请求

5、修改请求关键字,并记录上次的请求关键字

主要代码结构:

- 公共请求端封装

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from urllib import request
from urllib.parse import quote
import string
import requests # 静态页面基类
class StaticBase():
# 获取网页内容
def __getHTMLText(self,url,code="utf-8"):
try:
r = requests.get(url)
r.raise_for_status()
r.encoding = code
return r.text
except:
return ""
# get方式请求数据
def getUrl(self,url,code='utf-8'):
url = quote(url,safe=string.printable)
req = request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36')
with request.urlopen(req) as f:
print('Status:',f.status,f.reason)
return f.read().decode(code) #s = StaticBase()
#print(s.getUrl('http://www.baidu.com/','utf-8'))

- 配置文件

{
"host": "http://shangyu.108sq.cn",
"base_url": "http://shangyu.108sq.cn/shuo/search?sertype=4",
"key_words": "污染",
"page_size": 30,
"search_key": "",
"last_request_time": 1562142204.149511,
"request_gap": 60
}

- 解析服务

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from bs4 import BeautifulSoup
from datetime import datetime
import json
from common.staticBase import StaticBase class Shangyh108(StaticBase): __config_file = "config.json" #配置文件
__text = "" #解析的网页内容
__config_dict = {} #配置集合
__url = "" #请求的URL
__keywords = "" #关键字
__last_request_time = 0 #上次请求时间
# 构造函数
def __init__(self):
self.__config_dict = self.__getConfig()
# 查询关键字
if len(self.__config_dict['search_key']) >0 :
self.__keywords = self.__config_dict['search_key']
else:
self.__keywords = self.__config_dict['key_words']
self.__url = self.__getUrl()
# 获取网页内容
def getText(self):
print(self.__url)
self.__text = StaticBase.getUrl(self,self.__url) # 获取第一页内容
def getFirstPageText(self,url=''):
if self.checkRquestTime():
if len(url)==0 :
url = self.__getUrl()
self.__text = StaticBase.getUrl(self,url)
return self.parseHTML()
else:
print("操作频繁请稍后重新")
# 获取下一页
def getNextPage(self,url):
url = self.__config_dict['host']+url
print(url)
self.__text = StaticBase.getUrl(self,url)
return self.parseHTML() # 为防止请求对服务器造成太大压力,控制请求的时间间隔,最少为5分钟
def checkRquestTime(self):
request_gap = self.__config_dict['request_gap']
last_request_time = self.__config_dict['last_request_time']
dt_now = datetime.now().timestamp()
self.__last_request_time = last_request_time # 记录上次请求的时间,为了获取阶段性的数据
if last_request_time == 0: #第一次请求,直接通过
last_request_time = dt_now
elif last_request_time+request_gap > dt_now:
print("请求过度频繁,请稍后重试")
return False
else:
last_request_time = dt_now self.__setConfig('last_request_time',last_request_time)
return True # 获取网页描述信息
def getDesc(self):
self.getText()
soup = BeautifulSoup(self.__text,'html.parser')
obj_count = soup.select('.count')[0]
count_str = str(obj_count.string).replace("(共","").replace("条)","")
count = int(count_str)
pageSize = int(self.__config_dict['page_size'])
host = self.__config_dict['host']
if count % pageSize == 0 :
pages = count//pageSize
else:
pages = count // pageSize + 1
desc = {}
desc['host'] = host
desc['count'] = count
desc['page_size'] = pageSize
desc['total_page'] = pages
# 增加分页的URL
if pages > 0 :
pageUrls = soup.select(".TCPage__middle > a")
page_url = []
for i in range(len(pageUrls)-1) :
tag = pageUrls[i+1]
page_url.append(tag['href'])
desc['page_url'] = page_url
return json.dumps(desc,ensure_ascii=False) # 解析网页内容
def parseHTML(self):
soup = BeautifulSoup(self.__text, 'html.parser')
list_li = soup.select('.TCSayList .TCSayList_li')
data_list = []
for i in range(len(list_li)):
item = {}
temp = list_li[i]
publish_time = temp.select('.TCSayList_li_time')[0]
int_dt = int(publish_time['data-time']) if self.__last_request_time == 0 or self.__last_request_time < int_dt :
# 发布时间
item['publish_time_long'] = publish_time['data-time']
item['publish_time_str'] = datetime.fromtimestamp(int(publish_time['data-time'])).strftime(
'%Y-%m-%d %H:%M:%S') # 数据标签
item['data-tag'] = temp['data-tag']
# 用户
author = temp.select('.TCSayList_li_author')[0]
item['author_name'] = author.string
item['author_url'] = author['href'] # 标题
if len(temp.select('.TCSayList__title a')) >0:
title = temp.select('.TCSayList__title a')[0]
item['title'] = title.string
item['link_url'] = title['href']
# 内容
item['content'] = temp.select('.TCSayList_li_content')[0]['data-short'] data_list.append(item)
return data_list
# 获取请求配置信息
def __getConfig(self):
with open(self.__config_file, "r",encoding="utf-8") as load_f:
load_dict = json.load(load_f)
return load_dict
# 设置配置项
def __setConfig(self,key,value):
self.__config_dict[key] = value
print(self.__config_dict)
with open(self.__config_file,'w',encoding="utf-8") as f:
f.write(json.dumps(self.__config_dict,ensure_ascii=False)) def getKeywords(self):
self.__keywords = input("请输入查询的关键字,多个关键字用“+”连接,默认关键字:环保+污染+投诉,使用默认关键字可直接按Enter:")
if len(self.__keywords) == 0:
self.__keywords = self.__config_dict['key_words']
else:
self.__setConfig("search_key",self.__keywords) # 获取请求的URL
def __getUrl(self):
base_url = self.__config_dict['base_url']
# 组装查询参数
url = base_url + "&key=" + self.__keywords
return url

- REST服务端(目前服务没有暴露很多,但相应服务实现都已经实现)

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from flask import Flask,jsonify,abort,request
from changshuo108.shangyu.Shangyh108 import Shangyh108 app = Flask(__name__)
# 支持中文
app.config['JSON_AS_ASCII'] = False
shangyue = Shangyh108()
@app.route('/shangyu108/api/desc',methods=['GET'])
def get_desc():
return shangyue.getDesc() @app.route('/shangyu108/api/first_page',methods=['GET'])
def get_firstPage():
return jsonify({'data':shangyue.getFirstPageText('')}) @app.route('/shangyu108/api/page',methods=['POST'])
def get_article():
if not request.json or not 'url' in request.json:
abort(400)
print(request.json['url'])
return jsonify({'data':shangyue.getNextPage(request.json['url'])}) if __name__ == '__main__':
app.run(debug=True)

爬取的网站类型:

论坛类网站类型

涉及主要的第三方模块:

BeautifulSoup:解析、遍历页面

urllib:处理URL请求

Flask:简易的WEB框架

介绍:

本次主要使用urllib获取网页数据,然后通过BeautifulSoup进行页面解析,返回json结构的数据。

功能点:

  • urllib根据URL通过GET方式获取网页内容;

  • 通过JSON文件配置

  • 解析页面结构,返回JSON结构的数据

  • 提供REST服务进行调用

特点:

1、提供数据描述服务,总页面,每页条数,总条数;

2、增量请求数据,只获取当前时间和上次请求时间之间的数据;

3、控制请求时间间隔,防治IP被封杀

4、分页数据请求

5、修改请求关键字,并记录上次的请求关键字

主要代码结构:

- 公共请求端封装

#!/usr/bin/env python # -*- coding:utf-8 -*-from urllib import requestfrom urllib.parse import quoteimport stringimport requests
# 静态页面基类class StaticBase():    # 获取网页内容   使用的requests 库实现 def __getHTMLText(self,url,code="utf-8"): try: r = requests.get(url) r.raise_for_status() r.encoding = code return r.text except: return ""    # get方式请求数据  通过urllib记性实现GET请求 def getUrl(self,url,code='utf-8'): url = quote(url,safe=string.printable) req = request.Request(url) req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36') with request.urlopen(req) as f: print('Status:',f.status,f.reason) return f.read().decode(code)
#s = StaticBase()#print(s.getUrl('http://www.baidu.com/','utf-8'))

- 配置文件

{   "host": "http://shangyu.108sq.cn",    "base_url": "http://shangyu.108sq.cn/shuo/search?sertype=4",    "key_words": "污染",    "page_size": 30,    "search_key": "",    "last_request_time": 1562142204.149511,    "request_gap": 60  } 

- 解析服务

#!/usr/bin/env python # -*- coding:utf-8 -*-from bs4 import BeautifulSoupfrom datetime import datetimeimport jsonfrom common.staticBase import StaticBase
class Shangyh108(StaticBase):
__config_file = "config.json" #配置文件 __text = "" #解析的网页内容 __config_dict = {} #配置集合 __url = "" #请求的URL __keywords = "" #关键字 __last_request_time = 0 #上次请求时间 # 构造函数 def __init__(self): self.__config_dict = self.__getConfig() # 查询关键字 if len(self.__config_dict['search_key']) >0 : self.__keywords = self.__config_dict['search_key'] else: self.__keywords = self.__config_dict['key_words'] self.__url = self.__getUrl() # 获取网页内容 def getText(self): print(self.__url) self.__text = StaticBase.getUrl(self,self.__url)
# 获取第一页内容 def getFirstPageText(self,url=''): if self.checkRquestTime(): if len(url)==0 : url = self.__getUrl() self.__text = StaticBase.getUrl(self,url) return self.parseHTML() else: print("操作频繁请稍后重新") # 获取下一页 def getNextPage(self,url): url = self.__config_dict['host']+url print(url) self.__text = StaticBase.getUrl(self,url) return self.parseHTML()
# 为防止请求对服务器造成太大压力,控制请求的时间间隔,最少为5分钟 def checkRquestTime(self): request_gap = self.__config_dict['request_gap'] last_request_time = self.__config_dict['last_request_time'] dt_now = datetime.now().timestamp() self.__last_request_time = last_request_time # 记录上次请求的时间,为了获取阶段性的数据 if last_request_time == 0: #第一次请求,直接通过 last_request_time = dt_now elif last_request_time+request_gap > dt_now: print("请求过度频繁,请稍后重试") return False else: last_request_time = dt_now
self.__setConfig('last_request_time',last_request_time) return True
# 获取网页描述信息 def getDesc(self): self.getText() soup = BeautifulSoup(self.__text,'html.parser') obj_count = soup.select('.count')[0] count_str = str(obj_count.string).replace("(共","").replace("条)","") count = int(count_str) pageSize = int(self.__config_dict['page_size']) host = self.__config_dict['host'] if count % pageSize == 0 : pages = count//pageSize else: pages = count // pageSize + 1 desc = {} desc['host'] = host desc['count'] = count desc['page_size'] = pageSize desc['total_page'] = pages # 增加分页的URL if pages > 0 : pageUrls = soup.select(".TCPage__middle > a") page_url = [] for i in range(len(pageUrls)-1) : tag = pageUrls[i+1] page_url.append(tag['href']) desc['page_url'] = page_url return json.dumps(desc,ensure_ascii=False)
# 解析网页内容 def parseHTML(self): soup = BeautifulSoup(self.__text, 'html.parser') list_li = soup.select('.TCSayList .TCSayList_li') data_list = [] for i in range(len(list_li)): item = {} temp = list_li[i] publish_time = temp.select('.TCSayList_li_time')[0] int_dt = int(publish_time['data-time'])
if self.__last_request_time == 0 or self.__last_request_time < int_dt : # 发布时间 item['publish_time_long'] = publish_time['data-time'] item['publish_time_str'] = datetime.fromtimestamp(int(publish_time['data-time'])).strftime( '%Y-%m-%d %H:%M:%S')
# 数据标签 item['data-tag'] = temp['data-tag'] # 用户 author = temp.select('.TCSayList_li_author')[0] item['author_name'] = author.string item['author_url'] = author['href']
# 标题 if len(temp.select('.TCSayList__title a')) >0: title = temp.select('.TCSayList__title a')[0] item['title'] = title.string item['link_url'] = title['href'] # 内容 item['content'] = temp.select('.TCSayList_li_content')[0]['data-short']
data_list.append(item) return data_list # 获取请求配置信息 def __getConfig(self): with open(self.__config_file, "r",encoding="utf-8") as load_f: load_dict = json.load(load_f) return load_dict # 设置配置项 def __setConfig(self,key,value): self.__config_dict[key] = value print(self.__config_dict) with open(self.__config_file,'w',encoding="utf-8") as f: f.write(json.dumps(self.__config_dict,ensure_ascii=False))
def getKeywords(self): self.__keywords = input("请输入查询的关键字,多个关键字用“+”连接,默认关键字:环保+污染+投诉,使用默认关键字可直接按Enter:") if len(self.__keywords) == 0: self.__keywords = self.__config_dict['key_words'] else: self.__setConfig("search_key",self.__keywords)
# 获取请求的URL def __getUrl(self): base_url = self.__config_dict['base_url'] # 组装查询参数 url = base_url + "&key=" + self.__keywords return url

- REST服务端(目前服务没有暴露很多,但相应服务实现都已经实现)

#!/usr/bin/env python # -*- coding:utf-8 -*-from flask import Flask,jsonify,abort,requestfrom changshuo108.shangyu.Shangyh108 import Shangyh108
app = Flask(__name__)# 支持中文app.config['JSON_AS_ASCII'] = Falseshangyue = Shangyh108()@app.route('/shangyu108/api/desc',methods=['GET'])def get_desc(): return shangyue.getDesc()
@app.route('/shangyu108/api/first_page',methods=['GET'])def get_firstPage(): return jsonify({'data':shangyue.getFirstPageText('')})
@app.route('/shangyu108/api/page',methods=['POST'])def get_article(): if not request.json or not 'url' in request.json: abort(400) print(request.json['url']) return jsonify({'data':shangyue.getNextPage(request.json['url'])})
if __name__ == '__main__': app.run(debug=True)
公众号链接:https://mp.weixin.qq.com/s?__biz=Mzg4MzI3MjM4NQ==&tempkey=MTAxNl9KVjVnVCtVNlo4RUpIZmZXbzBfSVR4dHU4YUhhX3hPNGMxVXdMd1JaQ21OZExlNnNybmJzaVhCT2hkZk85RzZKbzRlYWxFcEk1U2g5bmN4cWJ1QlNmNEdmWlBvVWxGTER2NDM5NjdWa1VIaDVWZlFyUF9EVmtYM0lmNnplRzRjanZsWEo4RUlESTg2YlFkVjBxdDFXbzEwR1UtVVpSd2V5U0R1YUVnfn4%3D&chksm=4f48bebe783f37a8622096cf8cb7d5dfbc5d913e3f1694ea601f51eec5aadddee66271739639#rd

Python爬虫实践~BeautifulSoup+urllib+Flask实现静态网页的爬取的更多相关文章

  1. Python爬虫入门教程第七讲: 蜂鸟网图片爬取之二

    蜂鸟网图片--简介 今天玩点新鲜的,使用一个新库 aiohttp ,利用它提高咱爬虫的爬取速度. 安装模块常规套路 pip install aiohttp 运行之后等待,安装完毕,想要深造,那么官方文 ...

  2. Python爬虫入门教程 15-100 石家庄政民互动数据爬取

    石家庄政民互动数据爬取-写在前面 今天,咱抓取一个网站,这个网站呢,涉及的内容就是 网友留言和回复,特别简单,但是网站是gov的.网址为 http://www.sjz.gov.cn/col/14900 ...

  3. Python爬虫基础之Urllib

    一.随时随地爬取一个网页下来 怎么爬取网页?对网站开发了解的都知道,浏览器访问Url向服务器发送请求,服务器响应浏览器请求并返回一堆HTML信息,其中包括html标签,css样式,js脚本等.Chro ...

  4. 使用Python爬虫库BeautifulSoup遍历文档树并对标签进行操作详解(新手必学)

    为大家介绍下Python爬虫库BeautifulSoup遍历文档树并对标签进行操作的详细方法与函数下面就是使用Python爬虫库BeautifulSoup对文档树进行遍历并对标签进行操作的实例,都是最 ...

  5. Java分布式爬虫Nutch教程——导入Nutch工程,执行完整爬取

    Java分布式爬虫Nutch教程--导入Nutch工程,执行完整爬取 by briefcopy · Published 2016年4月25日 · Updated 2016年12月11日 在使用本教程之 ...

  6. Python爬虫实践 -- 记录我的第二只爬虫

    1.爬虫基本原理 我们爬取中国电影最受欢迎的影片<红海行动>的相关信息.其实,爬虫获取网页信息和人工获取信息,原理基本是一致的. 人工操作步骤: 1. 获取电影信息的页面 2. 定位(找到 ...

  7. Python爬虫——用BeautifulSoup、python-docx爬取廖雪峰大大的教程为word文档

    版权声明:本文为博主原创文章,欢迎转载,并请注明出处.联系方式:460356155@qq.com 廖雪峰大大贡献的教程写的不错,写了个爬虫把教程保存为word文件,供大家方便下载学习:http://p ...

  8. Python爬虫之BeautifulSoup的用法

    之前看静觅博客,关于BeautifulSoup的用法不太熟练,所以趁机在网上搜索相关的视频,其中一个讲的还是挺清楚的:python爬虫小白入门之BeautifulSoup库,有空做了一下笔记: 一.爬 ...

  9. python爬虫实践

    模拟登陆与文件下载 爬取http://moodle.tipdm.com上面的视频并下载 模拟登陆 由于泰迪杯网站问题,测试之后发现无法用正常的账号密码登陆,这里会使用访客账号登陆. 我们先打开泰迪杯的 ...

随机推荐

  1. VS2017初学者如何打开右侧的解决方案资源管理器

  2. error: [debug/qrc_resource.cpp] Error 1

    t在进行debug时,出现这个错误,去资源文件夹,用资源编辑器打开resource.qrc文件,查看是否有标红的资源文件. 如果有红色名称的资源文件,那么就是因为缺少该资源文件,导致的这个错误. 改正 ...

  3. redis启动错误: Warning: no config file specified, using the default config. In order to specify a config

    redis启动错误: Warning: no config file specified, using the default config. In order to specify a config ...

  4. Yii2 中常用的增删改查操作总结

    一.新增 1.使用save() $model = new User(); $model->name = 'test'; $model->phone = '13000000000'; $mo ...

  5. php 判断空

    结果: 结论:$a != false 这种判断方式比empty() 速度更快

  6. MySql索引背后的数据结构及算法

    本文以MySQL数据库为研究对象,讨论与数据库索引相关的一些话题.特别需要说明的是,MySQL支持诸多存储引擎,而各种存储引擎对索引的支持也各不相同,因此MySQL数据库支持多种索引类型,如BTree ...

  7. 分享Java程序员50多道热门的多线程和并发面试题(答案解析)

    下面是Java程序员相关的热门面试题,你可以用它来好好准备面试. 1) 什么是线程? 线程是操作系统能够进行运算调度的最小单位,它被包含在进程之中,是进程中的实际运作单位.程序员可以通过它进行多处理器 ...

  8. jQuery-跨域问题的处理

    调用登录接口时,后端一般会在调用登录接口成功后,在response中设置cookie,之后前端的每次请求都会自动地在请求头上加上后端设置好的cookie,这对前端来说是透明的. 当登录接口与登录后调用 ...

  9. ETCD:TLS

    原文地址:TLS etcd支持用于客户端到服务器以及对等方(服务器到服务器/集群)通信的自动TLS以及通过客户端证书的身份验证. 要启动并运行,首先要获得一个成员的CA证书和签名密钥对. 建议为集群中 ...

  10. 页面QQ临时对话的实现

    一.开通QQ服务 点我进入QQ推广官网>然后点击推广工具即可后面自己看中文 二.页面a标签 <a target="_blank" href="http://w ...