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常规方法实现数组的全排列
Mar 17 Python
详解python并发获取snmp信息及性能测试
Mar 27 Python
Python实现KNN邻近算法
Jan 28 Python
Python爬虫通过替换http request header来欺骗浏览器实现登录功能
Jan 07 Python
python 自定义对象的打印方法
Jan 12 Python
Tensorflow 卷积的梯度反向传播过程
Feb 10 Python
pip install 使用国内镜像的方法示例
Apr 03 Python
Python中bisect的用法及示例详解
Jul 20 Python
推荐值得学习的12款python-web开发框架
Aug 10 Python
pycharm 使用tab跳出正在编辑的括号(){}{}等问题
Feb 26 Python
PyTorch的Debug指南
May 07 Python
opencv检测动态物体的实现
Jul 21 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
用CSS+JS实现的进度条效果效果
2007/06/05 Javascript
jquery easyui的tabs使用时的问题
2010/03/23 Javascript
jquery判断checkbox(复选框)是否被选中的代码
2010/10/20 Javascript
apycom出品的jQuery精美菜单破解方法
2011/02/18 Javascript
Jquery Change与bind事件代码
2011/09/29 Javascript
javascript针对DOM的应用分析(二)
2012/04/15 Javascript
JS解决ie6下png透明的方法实例
2013/08/02 Javascript
使用jquery实现的一个图片延迟加载插件(含图片延迟加载原理)
2014/06/05 Javascript
js实现加载更多功能实例
2016/10/27 Javascript
Vue.js 和 MVVM 的注意事项
2016/11/07 Javascript
浅谈Vue的基本应用
2016/12/27 Javascript
基于滚动条位置判断的简单实例
2017/12/14 Javascript
详解使用React制作一个模态框
2019/03/14 Javascript
从理论角度讨论JavaScript闭包
2019/04/03 Javascript
在vue中使用jsx语法的使用方法
2019/09/30 Javascript
javascript实现动态时钟的启动和停止
2020/07/29 Javascript
vue实现评论列表功能
2019/10/25 Javascript
基于Vue+ElementUI的省市区地址选择通用组件
2019/11/20 Javascript
全面解析js中的原型,原型对象,原型链
2021/01/25 Javascript
[37:47]IG vs Winstrike 2018国际邀请赛小组赛BO2 第二场 8.19
2018/08/21 DOTA
python中的编码知识整理汇总
2016/01/26 Python
python 拷贝特定后缀名文件,并保留原始目录结构的实例
2018/04/27 Python
PyTorch上实现卷积神经网络CNN的方法
2018/04/28 Python
numpy中的ndarray方法和属性详解
2019/05/27 Python
python实现简单五子棋游戏
2019/06/18 Python
keras模型可视化,层可视化及kernel可视化实例
2020/01/24 Python
pycharm激活码快速激活及使用步骤
2020/03/12 Python
python主要用于哪些方向
2020/07/05 Python
大学校庆邀请函
2014/01/11 职场文书
函授本科自我鉴定
2014/02/04 职场文书
《赵州桥》教学反思
2014/02/17 职场文书
动员大会主持词
2014/03/20 职场文书
文明市民先进事迹
2014/05/15 职场文书
小学竞选班长演讲稿
2014/09/09 职场文书
先进个人总结范文
2015/02/15 职场文书
MongoDB使用profile分析慢查询的步骤
2021/04/30 MongoDB