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使用django搭建web开发环境
Jun 09 Python
Python遍历pandas数据方法总结
Feb 09 Python
使用 Python 实现微信群友统计器的思路详解
Sep 26 Python
深入理解Django自定义信号(signals)
Oct 15 Python
通过shell+python实现企业微信预警
Mar 07 Python
python利用selenium进行浏览器爬虫
Apr 25 Python
numpy.where() 用法详解
May 27 Python
Python 使用多属性来进行排序
Sep 01 Python
python tornado修改log输出方式
Nov 18 Python
python中的逆序遍历实例
Dec 25 Python
python tkinter之 复选、文本、下拉的实现
Mar 04 Python
python怎么自定义捕获错误
Jun 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
js压缩利器
2007/02/20 Javascript
jquery实用代码片段集合
2010/08/12 Javascript
jQuery中innerWidth()方法用法实例
2015/01/19 Javascript
JavaScript中的关联数组问题
2015/03/04 Javascript
JavaScript数组迭代器实例分析
2015/06/09 Javascript
javascript实现平滑无缝滚动
2020/08/09 Javascript
微信小程序列表渲染功能之列表下拉刷新及上拉加载的实现方法分析
2017/11/27 Javascript
JS中精巧的自动柯里化实现方法
2017/12/12 Javascript
基于jquery实现九宫格拼图小游戏
2018/11/30 jQuery
puppeteer库入门初探
2019/01/09 Javascript
解决Layui中layer报错的问题
2019/09/03 Javascript
JS图片预加载三种实现方法解析
2020/05/08 Javascript
javascript单张多张图无缝滚动实例代码
2020/05/10 Javascript
webpack+vue-cil 中proxyTable配置接口地址代理操作
2020/07/18 Javascript
Jquery $.map使用方法实例详解
2020/09/01 jQuery
[07:54]DOTA2 MV《我的动力鞋》 ImbaTV 出品
2014/11/21 DOTA
教你安装python Django(图文)
2013/11/04 Python
Python中的列表生成式与生成器学习教程
2016/03/13 Python
Python图像处理之识别图像中的文字(实例讲解)
2018/05/10 Python
python计算两个矩形框重合百分比的实例
2018/11/07 Python
Python对象与引用的介绍
2019/01/24 Python
Python参数解析模块sys、getopt、argparse使用与对比分析
2019/04/02 Python
python 缺失值处理的方法(Imputation)
2019/07/02 Python
Python BeautifulSoup [解决方法] TypeError: list indices must be integers or slices, not str
2019/08/07 Python
flask 实现token机制的示例代码
2019/11/07 Python
Python 获取异常(Exception)信息的几种方法
2020/12/29 Python
英国名牌服装购物网站:OD’s Designer
2019/09/02 全球购物
物流管理专业毕业生自荐信
2014/03/04 职场文书
副科级后备干部考察材料
2014/05/15 职场文书
欢迎横幅标语
2014/06/17 职场文书
2014卖家双十一活动策划书
2014/09/29 职场文书
市贸粮局召开党的群众路线教育实践活动总结大会新闻稿
2014/10/21 职场文书
机动车交通事故协议书
2015/01/29 职场文书
《鲁班学艺》读后感3篇
2019/11/27 职场文书
JavaScript实现简单拖拽效果
2021/09/15 Javascript
Python查找算法的实现 (线性、二分,分块、插值查找算法)
2022/04/24 Python