Python网络数据采集之创建爬虫|第02天

主要内容:

单个域名和网站的采集;

互联网采集和用Scrapy采集初步介绍。

开始采集

网络爬虫是可以根据递归方式。为了找到URL 链接,它们必须首先获取网页内容,检查这个页面的内容,再寻找另一个 URL,然后获取 URL对应的网页内容,不断循环这一过程。

遍历单个域名

以抓取维基百科的Kevin Baco为例,实现简单的数据爬取。代码如下:

1
2
3
4
5
6
7
8
from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen('http://en.wikipedia.org/wiki/Kevin_Bacon')
bs = BeautifulSoup(html, 'html.parser')
for link in bs.find_all('a'):
if 'href' in link.attrs:
print(link.attrs['href'])

上述代码就获取维基百科网站的任何页面并提取页面链接。去掉我们不需要的词条,进行改进获取词条链接。代码如下:

1
2
3
4
5
6
7
8
9
10
from urllib.request import urlopen 
from bs4 import BeautifulSoup
import re

html = urlopen('http://en.wikipedia.org/wiki/Kevin_Bacon')
bs = BeautifulSoup(html, 'html.parser')
for link in bs.find('div', {'id':'bodyContent'}).find_all(
'a', href=re.compile('^(/wiki/)((?!:).)*$')):
if 'href' in link.attrs:
print(link.attrs['href'])

如果我们要做到一个函数getLinks,可以用维基百科词条/wiki/<词条名称>形式的URL链接作为参数,然后以同样的形式返回一个列表,里面包含所有的词条 URL 链接。一个主函数,以某个起始词条为参数调用getLinks,再从返回的URL列表里随机选择一个词条链接,再调用 getLinks,直到我们主动停止,或者在新的页面上没有词条链接了,程序才停止运行。
完善后代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from urllib.request import urlopen
from bs4 import BeautifulSoup
import datetime
import random
import re

random.seed(datetime.datetime.now())
def getLinks(articleUrl):
html = urlopen('http://en.wikipedia.org{}'.format(articleUrl))
bs = BeautifulSoup(html, 'html.parser')
return bs.find('div', {'id':'bodyContent'}).find_all('a', href=re.compile('^(/wiki/)((?!:).)*$'))

links = getLinks('/wiki/Kevin_Bacon')
while len(links) > 0:
newArticle = links[random.randint(0, len(links)-1)].attrs['href']
print(newArticle)
links = getLinks(newArticle)

遍历整个网络

采集整个网站,那是非常耗费内存资源的过程,尤其是处理大型网站时,最合适的工具就是用一个数据库来储存采集的资源。

遍历整个网络的数据好处:可以生产网站地图,收集网站数据等。但是一般不会消耗大量的内存资源去做采集,本节的意义不大。

通过互联网采集

建立网络地图,需要从一个链接跳转到另一个链接,逐步建立网站的地图信息,从而达到一个合适的网站地图,于此同时我们也不能忽略外链,从一个链接跳转到另一个链接的场景也会时有发生。相比之前的单域名采集,互联网采集的难度要高很多,所以,要求我们的寻找信息的方式和采集信息的方式都应该极具灵活性,以此达到理想的采集效果。

在做数据采集之前最好能够确定自己采集的内容,明确目标,然后根据目标的展示形式去分析,该网站是否会跳转其他的链接,是否需要继续采集等各个因素。

如果采集一个网站,有时候也会考虑到网络重定向的问题,例如我的个人博客原来链接是:https://forestfdemo.github.io,但是我做了一个网络的重定向,我将https://chensenlin.cn,重定向到原来的链接,这样无论是访问哪一个链接其本质都跳转到原来的链接,此时需要了解的是网络重定向的时候,我们采集的URL地址会发生变化,在Python3.X的版本中,我们的urllib会帮我完成重定向的功能。

用Scrapy采集

Scrapy就是一个可以大幅度降低我们对网页链接查找和识别工作复杂度的Python 库,它可以让你轻松地采集一个或多个域名的信息。

目前Scrapy仅支持Python 2.7,还不支持 Python 3.x

利用Scrapy进行爬虫项目还是有一些设置,我们可以采用官网下载,也可以采用pip进行安装,检验安装的方法在之前的Python基础系列的文章有提到过。这里不做过多的阐述。

创建一个项目:

1
2
3
4
5
6
7
➜  python scrapy startproject demourl
New Scrapy project 'demourl', using template directory '/usr/local/lib/python3.6/site-packages/scrapy/templates/project', created in:
/Users/demo/Project/python/demourl

You can start your first spider with:
cd demourl
scrapy genspider example example.com

我们查看一下目录结构:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
➜  demourl tree ./
./
├── [drwxr-xr-x] demourl
│   ├── [-rw-r--r--] __init__.py
│   ├── [drwxr-xr-x] __pycache__
│   ├── [-rw-r--r--] items.py
│   ├── [-rw-r--r--] middlewares.py
│   ├── [-rw-r--r--] pipelines.py
│   ├── [-rw-r--r--] settings.py
│   └── [drwxr-xr-x] spiders
│   ├── [-rw-r--r--] __init__.py
│   └── [drwxr-xr-x] __pycache__
└── [-rw-r--r--] scrapy.cfg

4 directories, 7 files

关于Scrapy的内容我们后续逐一介绍,大家可以点击关注,及时收到后续更新。

一分支持,也是鼓励!
0%