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中使用asyncio 封装文件读写
Sep 11 Python
对Python3 * 和 ** 运算符详解
Feb 16 Python
15行Python代码实现网易云热门歌单实例教程
Mar 10 Python
python pickle存储、读取大数据量列表、字典数据的方法
Jul 07 Python
Flask使用Pyecharts在单个页面展示多个图表的方法
Aug 05 Python
python进阶之自定义可迭代的类
Aug 20 Python
pyqt5、qtdesigner安装和环境设置教程
Sep 25 Python
Django跨域资源共享问题(推荐)
Mar 09 Python
Python SMTP配置参数并发送邮件
Jun 16 Python
解决redis与Python交互取出来的是bytes类型的问题
Jul 16 Python
Python为何不支持switch语句原理详解
Oct 21 Python
Python爬虫爬取全球疫情数据并存储到mysql数据库的步骤
Mar 29 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 文件上传进度条的两种实现方法的代码
2007/11/25 PHP
php数组使用规则分析
2015/02/27 PHP
WordPress中查询文章的循环Loop结构及用法分析
2015/12/17 PHP
用javascript连接access数据库的方法
2006/11/17 Javascript
jQuery不间断滚动效果(模拟百度新闻支持文字/图片/垂直滚动)
2013/02/05 Javascript
jquery trigger伪造a标签的click事件取代window.open方法
2014/06/23 Javascript
jQuery+AJAX实现无刷新下拉加载更多
2015/07/03 Javascript
Vue iview-admin框架二级菜单改为三级菜单的方法
2018/07/03 Javascript
原生javascript实现连连看游戏
2019/01/03 Javascript
vue-cli脚手架引入弹出层layer插件的几种方法
2019/06/24 Javascript
解决layui轮播图有数据不显示的情况
2019/09/16 Javascript
JS使用H5实现图片预览功能
2019/09/30 Javascript
超简单的微信小程序轮播图
2019/11/22 Javascript
在Python中封装GObject模块进行图形化程序编程的教程
2015/04/14 Python
Python中处理字符串之endswith()方法的使用简介
2015/05/18 Python
在Python的Django框架中生成CSV文件的方法
2015/07/22 Python
python实现简单爬虫功能的示例
2016/10/24 Python
Windows上安装tensorflow  详细教程(图文详解)
2020/02/04 Python
利用Python脚本批量生成SQL语句
2020/03/04 Python
解决django无法访问本地static文件(js,css,img)网页里js,cs都加载不了
2020/04/07 Python
python 数据库查询返回list或tuple实例
2020/05/15 Python
Python ADF 单位根检验 如何查看结果的实现
2020/06/03 Python
普通大学毕业生自荐信
2013/11/04 职场文书
助人为乐表扬信范文
2014/01/14 职场文书
2015年幼儿园毕业感言
2014/02/12 职场文书
《一件运动衫》教学反思
2014/02/19 职场文书
学习决心书范文
2014/03/11 职场文书
企业厂务公开实施方案
2014/03/26 职场文书
学校献爱心活动总结
2014/07/08 职场文书
内科护士节演讲稿
2014/09/11 职场文书
大学生入党积极分子自我评价
2014/09/20 职场文书
工厂仓管员岗位职责
2015/04/01 职场文书
欠款纠纷起诉状
2015/05/19 职场文书
2016教师校本培训心得体会
2016/01/08 职场文书
CSS预处理框架——Stylus
2021/04/21 HTML / CSS
python开发实时可视化仪表盘的示例
2021/05/07 Python