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检测远程udp端口是否打开的方法
Mar 14 Python
Python实现周期性抓取网页内容的方法
Nov 04 Python
Python  pip安装lxml出错的问题解决办法
Feb 10 Python
Python中动态创建类实例的方法
Mar 24 Python
pycharm安装图文教程
May 02 Python
Python编程pygal绘图实例之XY线
Dec 09 Python
python导入csv文件出现SyntaxError问题分析
Dec 15 Python
django.db.utils.ProgrammingError: (1146, u“Table‘’ doesn’t exist”)问题的解决
Jul 13 Python
Pandas Shift函数的基础入门学习笔记
Nov 16 Python
Python装饰器语法糖
Jan 02 Python
python正则表达式re.match()匹配多个字符方法的实现
Jan 27 Python
Python django中如何使用restful框架
Jun 23 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 文件扩展名 获取函数
2009/06/03 PHP
php在多维数组中根据键名快速查询其父键以及父键值的代码
2011/05/07 PHP
PHP连接MSSQL时nvarchar字段长度被截断为255的解决方法
2014/12/25 PHP
判断、添加和删除WordPress置顶文章的相关PHP函数小结
2015/12/10 PHP
PHP中addslashes与mysql_escape_string的区别分析
2016/04/25 PHP
Smarty保留变量用法分析
2016/05/23 PHP
在Javascript中为String对象添加trim,ltrim,rtrim方法
2006/09/22 Javascript
javascript showModalDialog 内跳转页面的问题
2010/11/25 Javascript
IE与Firefox在JavaScript上的7个不同句法分享
2011/10/30 Javascript
15个款优秀的 jQuery 图片特效插件推荐
2011/11/21 Javascript
鼠标悬浮停留三秒后自动显示大图js代码
2014/09/09 Javascript
javascript+canvas制作九宫格小程序
2014/12/28 Javascript
AngularJs验证重复密码的方法(两种)
2016/11/25 Javascript
jQuery Ajax File Upload实例源码
2016/12/12 Javascript
jQuery中select与datalist制作下拉菜单时的区别浅析
2016/12/30 Javascript
JS图片延迟加载插件LazyImgv1.0用法分析【附demo源码下载】
2017/09/04 Javascript
详解vue-cli下ESlint 配置说明
2018/09/03 Javascript
详解JavaScript中操作符和表达式
2018/09/12 Javascript
基于jQuery实现挂号平台首页源码
2020/01/06 jQuery
vue开发移动端底部导航条功能
2020/04/08 Javascript
javascript使用canvas实现饼状图效果
2020/09/08 Javascript
解决Vue-cli无法编译es6的问题
2020/10/30 Javascript
Windows环境下python环境安装使用图文教程
2018/03/13 Python
基于python3实现socket文件传输和校验
2018/07/28 Python
python使用celery实现异步任务执行的例子
2019/08/28 Python
Win10+GPU版Pytorch1.1安装的安装步骤
2019/09/27 Python
Python预测2020高考分数和录取情况
2020/07/08 Python
python 使用openpyxl读取excel数据
2021/02/18 Python
解析html5 canvas实现背景鼠标连线动态效果代码
2019/06/17 HTML / CSS
经典c++面试题三
2015/07/08 面试题
超越自我演讲稿
2014/05/21 职场文书
党员批评与自我批评思想汇报(集锦)
2014/09/14 职场文书
运动会入场词
2015/07/18 职场文书
运动会5000米加油稿
2015/07/21 职场文书
公司员工培训管理制度
2015/08/04 职场文书
Python实现数据的序列化操作详解
2022/07/07 Python