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中replace方法实例分析
Aug 20 Python
Python抓取淘宝下拉框关键词的方法
Jul 08 Python
Python自动登录126邮箱的方法
Jul 10 Python
简单解析Django框架中的表单验证
Jul 17 Python
Python打造出适合自己的定制化Eclipse IDE
Mar 02 Python
python实现FTP服务器服务的方法
Apr 11 Python
Python实现将通信达.day文件读取为DataFrame
Dec 22 Python
解决新版Pycharm中Matplotlib图像不在弹出独立的显示窗口问题
Jan 15 Python
python+opencv像素的加减和加权操作的实现
Jul 14 Python
python虚拟环境的安装和配置(virtualenv,virtualenvwrapper)
Aug 09 Python
使用python实现对元素的长截图功能
Nov 14 Python
基于Python采集爬取微信公众号历史数据
Nov 27 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垃圾代码优化操作代码
2010/08/05 PHP
详解Yii实现分页的两种方法
2017/01/14 PHP
PHP xpath提取网页数据内容代码解析
2020/07/16 PHP
使用onbeforeunload属性后的副作用
2007/03/08 Javascript
jquery ui dialog ie8出现滚动条的解决方法
2010/12/06 Javascript
jquery each()源代码
2011/02/14 Javascript
读jQuery之八 包装事件对象
2011/06/21 Javascript
JS图片预加载 JS实现图片预加载应用
2012/12/03 Javascript
javascript表格隔行变色加鼠标移入移出及点击效果的方法
2015/04/10 Javascript
jQuery菜单插件superfish使用指南
2015/04/21 Javascript
Vue.js每天必学之Class与样式绑定
2016/09/05 Javascript
js实现拖拽上传图片功能
2017/08/01 Javascript
Vue工程模板文件 webpack打包配置方法
2017/12/26 Javascript
改变vue请求过来的数据中的某一项值的方法(详解)
2018/03/08 Javascript
ES6 fetch函数与后台交互实现
2018/11/14 Javascript
vue Tab切换以及缓存页面处理的几种方式
2019/11/05 Javascript
JavaScript This指向问题详解
2019/11/25 Javascript
vue组件库的在线主题编辑器的实现思路
2020/04/03 Javascript
vue 实现tab切换保持数据状态
2020/07/21 Javascript
JavaScript中的函数式编程详解
2020/08/22 Javascript
javascript实现移动端轮播图
2020/12/09 Javascript
Python与shell的3种交互方式介绍
2015/04/11 Python
浅析Python中的多条件排序实现
2016/06/07 Python
关于django 数据库迁移(migrate)应该知道的一些事
2018/05/27 Python
python 字典访问的三种方法小结
2019/12/05 Python
Pytorch.nn.conv2d 过程验证方式(单,多通道卷积过程)
2020/01/03 Python
django template实现定义临时变量,自定义赋值、自增实例
2020/07/12 Python
使用CSS3在触屏上为按钮实现激活效果
2013/09/27 HTML / CSS
中邮全球便购:中国邮政速递物流
2017/03/04 全球购物
俄罗斯名牌服装网上商店:UNIQUE FABRIC
2019/07/25 全球购物
教师求职信范文分享
2013/12/27 职场文书
培训班开班仪式主持词
2014/03/28 职场文书
国贸专业毕业求职信
2014/06/11 职场文书
公务员四风问题对照检查材料整改措施
2014/09/26 职场文书
PHP实现rar解压读取扩展包小结
2021/06/03 PHP
Python 实现Mac 屏幕截图详解
2021/10/05 Python