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
在Mac OS系统上安装Python的Pillow库的教程
Nov 20 Python
Python如何判断数独是否合法
Sep 08 Python
Python脚本实现自动将数据库备份到 Dropbox
Feb 06 Python
Python实现爬虫抓取与读写、追加到excel文件操作示例
Jun 27 Python
python Selenium实现付费音乐批量下载的实现方法
Jan 24 Python
Python常用爬虫代码总结方便查询
Feb 25 Python
pyqt5 获取显示器的分辨率的方法
Jun 18 Python
Python Subprocess模块原理及实例
Aug 26 Python
python pygame入门教程
Jun 01 Python
python四种出行路线规划的实现
Jun 23 Python
Python中super().__init__()测试以及理解
Dec 06 Python
python数据分析之单因素分析线性拟合及地理编码
Jun 25 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
菜鸟修复电子管记
2021/03/02 无线电
Smarty Foreach 使用说明
2010/03/23 PHP
PHP中文URL编解码(urlencode()rawurlencode()
2010/07/03 PHP
php微信公众开发之获取周边酒店信息的方法
2014/12/22 PHP
详解WordPress开发中用于获取分类及子页面的函数用法
2016/01/08 PHP
PHP生成图表pChart的示例解析
2020/07/31 PHP
JavaScript 节点操作 以及DOMDocument属性和方法
2007/12/06 Javascript
js 处理URL实用技巧
2010/11/23 Javascript
appendChild() 或 insertBefore()使用与区别介绍
2013/10/11 Javascript
jQuery 事件的命名空间简单了解
2013/11/22 Javascript
jQuery on()方法使用技巧详解
2015/04/16 Javascript
浅谈关于JavaScript API设计的一些建议和准则
2015/06/24 Javascript
原生js实现addClass,removeClass,hasClass方法
2016/04/27 Javascript
正则表达式基本语法及表单验证操作详解【基于JS】
2017/04/07 Javascript
Vue入门之animate过渡动画效果
2018/04/08 Javascript
详解js中Array的方法及技巧
2018/09/12 Javascript
vue.js层叠轮播效果的实例代码
2018/11/08 Javascript
微信小程序发送短信验证码完整实例
2019/01/07 Javascript
[jQuery] 事件和动画详解
2019/03/05 jQuery
vue+elementUI(el-upload)图片压缩,默认同比例压缩操作
2020/08/10 Javascript
python实现文本去重且不打乱原本顺序
2016/01/26 Python
完美解决在oj中Python的循环输入问题
2018/06/25 Python
python math模块的基本使用教程
2021/01/16 Python
台湾线上百货零售购物平台:friDay购物
2017/08/18 全球购物
SKECHERS官方旗舰店:美国舒适运动休闲品牌
2017/12/22 全球购物
Senreve官网:美国旧金山的奢侈手袋品牌
2019/03/21 全球购物
小学生自我鉴定
2013/10/12 职场文书
自考自我鉴定范文
2013/10/30 职场文书
皮肤科医师岗位职责
2013/12/04 职场文书
图书室管理制度
2014/01/19 职场文书
函授毕业自我鉴定
2014/02/04 职场文书
会计学专业自荐信
2014/06/25 职场文书
大学生第一学年自我鉴定2015
2014/09/28 职场文书
公积金接收函格式
2015/01/30 职场文书
如何使用PyCharm及常用配置详解
2021/06/03 Python
mysql通过group by分组取最大时间对应数据的两种有效方法
2022/09/23 MySQL