专栏首页思考的代码世界Python网络数据采集之创建爬虫|第02天

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:

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:

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:

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:

➜  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:

➜  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。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python网络数据采集之开始采集|第02天

    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...

    你好我是森林
  • 基础篇|PHP如何解决网站大流量和高并发

    并发,在操作系统中,是指一个时间段中有几个程序都处于已启动运行到运行完毕之间,且这几个程序都是在同一个处理机上运行,但任一个时刻点上只有一个程序在处理机上运行

    你好我是森林
  • Python网络数据采集之存储数据|第04天

    存储媒体文件有两种主要的方式:只获取文件 URL 链接,或者直接把源文件下载下来。

    你好我是森林
  • Python网络数据采集之开始采集|第02天

    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...

    你好我是森林
  • 12. Vue 中通过v-bind属性绑定为元素绑定style行内样式

    Devops海洋的渔夫
  • 8.GitHub实战系列~8.使用GitHub建立自己的免费博客

    github实战汇总:http://www.cnblogs.com/dunitian/p/5038719.html 创建一个用户名.github.io的仓库 ?...

    逸鹏
  • Python从菜鸟到高手(4):导入Py

      如果在Python程序中大量使用模块中的某些函数,那么每次在调用函数时都要加上“模块名”显得有些麻烦,所以在这种情况下,可以使用from…import…语句...

    py3study
  • JavaScript之ClassName属性学习

         在前面的style属性学习中,知道了通过style属性可以控制元素的样式,从而实现了行为层通过DOM的style属性去干预变现层显示的目地,但是这种就...

    郑小超.
  • CSS三种表现形式

    十月梦想
  • 机器学习(21)之scikit-learn Adaboost类库的实战分析

    关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 前言 在(机器学习(20)之Adab...

    昱良

扫码关注云+社区

领取腾讯云代金券