详解Python网络爬虫功能的基本写法


Posted in Python onJanuary 28, 2016

网络爬虫,即Web Spider,是一个很形象的名字。把互联网比喻成一个蜘蛛网,那么Spider就是在网上爬来爬去的蜘蛛。

1. 网络爬虫的定义

网络蜘蛛是通过网页的链接地址来寻找网页的。从网站某一个页面(通常是首页)开始,读取网页的内容,找到在网页中的其它链接地址,然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有的网页都抓取完为止。如果把整个互联网当成一个网站,那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓取下来。这样看来,网络爬虫就是一个爬行程序,一个抓取网页的程序。网络爬虫的基本操作是抓取网页。

2. 浏览网页的过程

抓取网页的过程其实和读者平时使用IE浏览器浏览网页的道理是一样的。比如说你在浏览器的地址栏中输入    www.baidu.com  这个地址。

打开网页的过程其实就是浏览器作为一个浏览的“客户端”,向服务器端发送了 一次请求,把服务器端的文件“抓”到本地,再进行解释、展现。

HTML是一种标记语言,用标签标记内容并加以解析和区分。浏览器的功能是将获取到的HTML代码进行解析,然后将原始的代码转变成我们直接看到的网站页面。

3. 基于python实现的网络爬虫功能

1). python获取html页面

其实,最基本的抓站,两句话就可以了:

import urllib2
content = urllib2.urlopen('http://XXXX').read()

这样可以得到整个 html 文档,关键的问题是我们可能需要从这个文档中获取我们需要的有用信息,而不是整个文档。这就需要解析充满了各种标签的 html。

2). python爬虫抓取页面后解析html方法

python爬虫html解析库SGMLParser

Python 默认自带 HTMLParser 以及 SGMLParser 等等解析器,前者实在是太难用了,我就用 SGMLParser 写了一个示例程序:

import urllib2
from sgmllib import SGMLParser
 
class ListName(SGMLParser):
def __init__(self):
SGMLParser.__init__(self)
self.is_h4 = ""
self.name = []
def start_h4(self, attrs):
self.is_h4 = 1
def end_h4(self):
self.is_h4 = ""
def handle_data(self, text):
if self.is_h4 == 1:
self.name.append(text)
 
content = urllib2.urlopen('http://169it.com/xxx.htm').read()
listname = ListName()
listname.feed(content)
for item in listname.name:
print item.decode('gbk').encode('utf8')

  很简单,这里定义了一个叫做 ListName 的类,继承 SGMLParser 里面的方法。使用一个变量 is_h4 做标记判定 html 文件中的 h4 标签,如果遇到 h4 标签,则将标签内的内容加入到 List 变量 name 中。解释一下 start_h4() 和 end_h4() 函数,他们原型是 SGMLParser 中的

start_tagname(self, attrs)
end_tagname(self)

tagname 就是标签名称,比如当遇到 <pre>,就会调用 start_pre,遇到 </pre>,就会调用 end_pre。attrs 为标签的参数,以 [(attribute, value), (attribute, value), ...] 的形式传回。

python爬虫html解析库pyQuery

pyQuery 是 jQuery 在 python 中的实现,能够以 jQuery 的语法来操作解析 HTML 文档,十分方便。使用前需要安装,easy_install pyquery 即可,或者 Ubuntu 下

sudo apt-get install python-pyquery

以下例子:

from pyquery import PyQuery as pyq
doc=pyq(url=r'http://169it.com/xxx.html')
cts=doc('.market-cat')
 
for i in cts:
print '====',pyq(i).find('h4').text() ,'===='
for j in pyq(i).find('.sub'):
print pyq(j).text() ,
print '\n'

python爬虫html解析库BeautifulSoup

有个头痛的问题是,大部分的网页都没有完全遵照标准来写,各种莫名其妙的错误令人想要找出那个写网页的人痛打一顿。为了解决这个问题,我们可以选择著名的 BeautifulSoup 来解析html 文档,它具有很好的容错能力。

以上就是本文的全部内容,对Python网络爬虫功能的实现进行了详细的分析介绍,希望对大家的学习有所帮助。

Python 相关文章推荐
python网络编程学习笔记(八):XML生成与解析(DOM、ElementTree)
Jun 09 Python
Python解决鸡兔同笼问题的方法
Dec 20 Python
详解Python文本操作相关模块
Jun 22 Python
python实现给微信公众号发送消息的方法
Jun 30 Python
Python实现的密码强度检测器示例
Aug 23 Python
python 实现的发送邮件模板【普通邮件、带附件、带图片邮件】
Jul 06 Python
python实现按首字母分类查找功能
Oct 31 Python
tensorflow2.0与tensorflow1.0的性能区别介绍
Feb 07 Python
python操作ini类型配置文件的实例教程
Oct 30 Python
基于Django快速集成Echarts代码示例
Dec 01 Python
发工资啦!教你用Python实现邮箱自动群发工资条
May 10 Python
Python还能这么玩之用Python做个小游戏的外挂
Jun 04 Python
Python3实现Web网页图片下载
Jan 28 #Python
Python正则获取、过滤或者替换HTML标签的方法
Jan 28 #Python
Python每天必学之bytes字节
Jan 28 #Python
Python装饰器入门学习教程(九步学习)
Jan 28 #Python
基于Python如何使用AIML搭建聊天机器人
Jan 27 #Python
使用Python写个小监控
Jan 27 #Python
基于Python实现通过微信搜索功能查看谁把你删除了
Jan 27 #Python
You might like
php中的四舍五入函数代码(floor函数、ceil函数、round与intval)
2014/07/14 PHP
PHP 中 var_export、print_r、var_dump 调试中的区别
2018/06/19 PHP
PHP实现图片压缩
2020/09/09 PHP
PHP智能识别收货地址信息实例
2019/01/05 PHP
laravel admin实现分类树/模型树的示例代码
2020/06/10 PHP
JavaScript 学习笔记(四)
2009/12/31 Javascript
IE6下javasc#ipt:void(0) 无效的解决方法
2013/12/23 Javascript
javascript实现完美拖拽效果
2015/05/06 Javascript
jquery实现简单的二级导航下拉菜单效果
2015/09/07 Javascript
jQuery获取checkbox选中的值
2016/01/28 Javascript
浅析JSONP技术原理及实现
2016/06/08 Javascript
jquery实现弹窗功能(窗口居中显示)
2017/02/27 Javascript
分享十三个最佳JavaScript数据网格库
2017/04/07 Javascript
Mac系统下Webstorm快捷键整理大全
2017/05/28 Javascript
input file样式修改以及图片预览删除功能详细概括(推荐)
2017/08/17 Javascript
AngularJS实现的省市二级联动功能示例【可对选项实现增删】
2017/10/26 Javascript
angular多语言配置详解
2019/05/16 Javascript
JS实现判断数组是否包含某个元素示例
2019/05/24 Javascript
详解微信小程序工程化探索之webpack实战
2020/04/20 Javascript
vue实现多个echarts根据屏幕大小变化而变化实例
2020/07/19 Javascript
JavaScript代码实现简单计算器
2020/12/27 Javascript
利用Python的Flask框架来构建一个简单的数字商品支付解决方案
2015/03/31 Python
使用Python3中的gettext模块翻译Python源码以支持多语言
2015/03/31 Python
Python的Flask框架应用程序实现使用QQ账号登录的方法
2016/06/07 Python
关于Python面向对象编程的知识点总结
2017/02/14 Python
Python Socket使用实例
2017/12/18 Python
Python socket实现多对多全双工通信的方法
2019/02/13 Python
Python如何通过Flask-Mail发送电子邮件
2020/01/29 Python
python自动提取文本中的时间(包含中文日期)
2020/08/31 Python
全球独特生活方式产品和礼品购物网站:AHAlife
2018/09/18 全球购物
Linux的主要特性
2016/09/03 面试题
英语专业应届生求职信范文
2013/11/15 职场文书
网络工程专业自荐信范文
2014/03/16 职场文书
银行授权委托书格式
2014/10/10 职场文书
Python合并多张图片成PDF
2021/06/09 Python
关于Vue中的options选项
2022/03/22 Vue.js