Python 学习入门（6）—— 网页爬虫

Python 学习入门（6）—— 网页爬虫

Python抓取网页方法，任务是批量下载网站上的文件。对于一个刚刚入门python的人来说，在很多细节上都有需要注意的地方，以下就分享一下在初学python过程中遇到的问题及解决方法。

1、Python抓取网页

import urllib,urllib2
url = ""
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
print content

python3.3没有urllib2，改写如下：

quest
def getdata():url=''data = quest.urlopen(url).read()print(data)
getdata()

1)、url为网址，需要加''

2)、content为网页的html源码

问题：

1.1、网站禁止爬虫，不能抓取或者抓取一定数量后封ip

解决：伪装成浏览器进行抓取，加入headers：

import urllib,urllib2headers = { 'Use-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' }
url = ""
req = urllib2.Request(url, headers=headers)
content = urllib2.urlopen(req).read()
print content

更复杂的情况（需要登录，多线程抓取）可参考： python爬虫抓站的一些技巧总结

1.2、抓取网页中的中文乱码

解决：用BeautifulSoup解析网页，BeautifulSoup是Python的一个用于解析网页的插件，其安装及使用方法下文会单独讨论。

首先需要介绍一下网页中的中文编码方式，一般网页的编码会在<meta>标签中标出，目前有三种，分别是GB2312，GBK，GB18030，三种编码是兼容的。从包含的中文字符个数比较：GB2312 < GBK < GB18030，因此如果网页标称的编码为GB2312，但内容里实际上用到了属于GBK或者GB18030的中文字符，那么编码工具就会解析错误，导致编码退回到最基本的windows-2152。所以解决此类问题分两种情况：

1)、若网页实际的中文编码和其标出的相符的话，即没有字符超出所标称的编码，下面即可解决

import urllib,urllib2
import bs4headers = { 'Use-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' }
url = ""
req = urllib2.Request(url, headers=headers)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content)   # BeautifulSoup
print content

2)、若网页中的中文字符超出所标称的编码时，需要在BeautifulSoup中传递参数from_encoding，设置为最大的编码字符集GB18030即可

import urllib,urllib2
import bs4headers = { 'Use-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' }
url = ""
req = urllib2.Request(url, headers=headers)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content, from_encoding='GB18030')   # BeautifulSoup
print content

详细的中文乱码问题分析参见：python中文字符乱码

2、Python下载文件

使用Python下载文件的方法有很多，在此只介绍最简单的三种：

#!/url/bin/python
# -*- coding:utf-8 -*-
# ithomer import os, shutil
import urllib, urllib2
import requestsurl = '.png'     # 下载原网址
savepath = './downloads/logo.png'       # 本地保存地址if os.path.isdir("downloads"):("downloads")      # 如果存在文件夹, 则删除
if not os.path.isdir("downloads"):os.makedirs("downloads")        # 创建文件夹# 方法1: urllib
urllib.urlretrieve(url, savepath)# 方法2: urllib2
f = urllib2.urlopen(url)
data = f.read()
with open(savepath, 'wb') as code:code.write(data)# 方法3: reqeusts
req = (url)
with open(savepath, 'wb') as code:code.t)

上面方法3： 需要安装 requests模块，方法如下：

1） 先安装 pip： sudo apt-get install python-pip python-dev build-essential

2） 安装 requests： sudo pip install requests

3、使用正则表达式分析网页

将网页源码抓取下来后，就需要分析网页，过滤出要用到的字段信息，通常的方法是用正则表达式分析网页，一个例子如下：

import recontent = '<a target="blank" href="">ithomer</a>'
match = repile(r'(?<=href=["]).*?(?=["])')
print re.findall(match, content)        # ['']

用repile()编写匹配模板，用findall查找，查找content中所有与模式match相匹配的结果，返回一个列表，上式的正则表达式意思为匹配以‘href="'起始，以'"'结束的字段，使用非贪婪的规则，只取中间的部分

关于正则表达式，系统的学习请参见：正则表达式 或 正则表达式操作指南 ，个人推荐第一篇，条理清晰，不重不漏。

在此就不赘述正则表达式的学习，只总结一下我在实际写正则时的认为需要注意的几个问题：

1)、一定要使用非贪婪模式进行匹配，即*?，+?（后加?），因为Python默认使用贪婪模式进行匹配，例如'a.*b'，它会匹配文档中从第一个a和最后一个b之间的文本，也就是说如果遇到一个b，它不会停止，会一直搜索至文档末尾，直到它确认找到的b是最后一个。而一般我们只想取某个字段的值，贪婪模式既不能返回正确的结果，还大大浪费了时间，所以非贪婪是必不可少的。

2)、raw字符串的使用：如果要匹配一个.,*这种元字符，就需要加''进行转义，即要表示一个''，正则表达式需要多加一个转义，写成'\'，但是Python字符串又需要对其转义，最终变成repile('\\')，这样就不易理解且很乱，使用raw字符串让正则表达式变得易读，即写成repile(r'\')，另一个方法就是将字符放到字符集中，即[]，效果相同。

3)、()特殊构造的使用：一般来说，()中的匹配模式作为分组并可以通过标号访问，但是有一些特殊构造为例外，它们适用的情况是：想要匹配href="xxxx"这个模式，但是我只需要xxxx的内容，而不需要前后匹配的模式，这时就可以用特殊构造(?<=)，和(?=)来匹配前后文，匹配后不返回()中的内容，刚才的例子便用到了这两个构造。

4)、逻辑符的使用：如果想匹配多个模式，使用'|'来实现，比如

repile(r '.htm|.mid$' )

匹配的就是以.htm或.mid结尾的模式，注意没有'&'逻辑运算符

4、使用BeautifulSoup分析网页

BeautifulSoup是Python的一个插件，用于解析HTML和XML，是替代正则表达式的利器，下文讲解BS4的安装过程和使用方法

1、安装bs4

下载地址：Download Beautiful Soup

下载： beautifulsoup4-4.3.，

解压： linux下 tar xvf beautifulsoup4-4.3.，win7下直接解压即可

linux，进入目录执行：

 1, python setup.py build 

 2, python setup.py install 

或

easy_install BeautifulSoup

win7，cmd到控制台 -> 到安装目录 -> 执行上面两个语句即可

2、使用BeautifulSoup解析网页

本文只介绍一些常用功能，详细教程参见：Beautiful Soup 中文文档，英文官方文档

1)、包含包：import bs4

2)、读入：

import urllib,urllib2
import bs4url = "/"
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content, from_encoding='GB18030')   # BeautifulSoup
print content.prettify()        # BeautifulSoup 格式化代码

抓取打印结果：

<html><head><meta content="text/html; charset=utf-8" http-equiv="Content-Type"/><title>MIDI音乐欣赏MID下载</title><meta content="Microsoft FrontPage 6.0" name="GENERATOR"/><meta content="MID音乐，MID在线，MID下载，MID试听，MID欣赏，MID播放，背景音乐，MID，MID" name="DESCRIPTION"/><meta content="MID音乐，MID在线，MID下载，MID试听，MID欣赏，MID播放，背景音乐，MID，MID" name="keywords"/><meta content="连通在线:MID.lt263.COM" name="Author"/></head><frameset border="false" cols="160,*" frameborder="0" framespacing="0"><frame marginheight="0" marginwidth="0" name="left" noresize="" scrolling="no" src="lm1.htm" target="rtop"/><frameset rows="27%,*"><frame name="m_rtop" src="tops.htm" target="m_rbottom"/><frame name="m_rbottom" src="main.htm" target="m_rbottom"/></frameset><noframes><body><p>15000首MID</p></body></noframes></frameset>
</html>

3)、查找内容

a、按html标签名查找：

frameurl = content.findAll('frame', target='rtop')        # 存储所有frame标签，且target='rtop'内容的列表

输出结果：

[<frame marginheight="0" marginwidth="0" name="left" noresize="" scrolling="no" src="lm1.htm" target="rtop"/>]

b、按标签属性查找

frameurl = content.findAll(' frame', target= True)         # 查找所有含target属性的标签

运行结果：

[<frame marginheight="0" marginwidth="0" name="left" noresize="" scrolling="no" src="lm1.htm" target="rtop"/>, <frame name="m_rtop" src="tops.htm" target="m_rbottom"/>, <frame name="m_rbottom" src="main.htm" target="m_rbottom"/>]

查找所有含target属性且值为'm_rbottom'的标签

c、带有正则表达式的查找

rawlv2 = content.findAll(href=repile(r '.htm$' ))      #  查找所有含href属性且值为以'.htm'结尾的标签

示例：

#!/url/bin/python
# -*- coding:utf-8 -*-
# ithomer import urllib,urllib2
import bs4, reimport sys
reload(sys)
sys.setdefaultencoding('utf-8')url = ".htm"
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content, from_encoding='GB18030')   # BeautifulSoup
print content.prettify()rawlv2 = content.findAll(href=repile(r'.htm$'))
print rawlv2

运行结果：

[<a href="ftzw/index.htm" target="_blank"><font color="#FF6633">繁体中文版</font></a>, <a href="addopen.htm" target="_top">最新加入</a>, <a href="searchopen.htm" target="_top">歌曲搜寻</a>, <a href="chopen.htm" target="_top">国语歌曲</a>, <a href="twopen.htm" target="_top">台语歌曲</a>, <a href="wwopen.htm" target="_top">西洋歌曲</a>, <a href="hkopen.htm" target="_top">粤语歌曲</a>, <a href="jpopen.htm" target="_top">日本歌曲</a>, <a href="ctopen.htm" target="_top">卡通歌曲</a>, <a href="tvopen.htm" target="_top">影视歌曲</a>, <a href="pianopen.htm" target="_top">钢琴<font face="Arial Unicode MS">POP</font></a>, <a href="otopen.htm" target="_top">其它音乐</a>, <a href="newlyopen.htm" target="_top">网友创作</a>, <a href="eachopen.htm" target="_top">各国音乐</a>, <a href="clopen.htm" target="_top">古典音乐</a>, <a href="autochopen.htm" target="_top">原住民篇</a>, <a href="marchopen.htm" target="_top">进行曲篇</a>, <a href="schoolopen.htm" target="_top">校际校歌</a>, <a href="crystalopen.htm" target="_top">水晶音乐</a>, <a href="KLOK/index.htm" target="_blank">卡 拉 OK</a>, <a href="gbookopen.htm" target="_top">留  言  板</a>, <a href="index.htm" target="_top">返回首页</a>]

4)、访问标签属性值和内容

a、访问标签属性值

rawlv2 = content.findAll(href=repile(r'.htm$'))  
href = rawlv2[i]['href']

通过[属性名]即可访问属性值，如上式返回的便是href属性的值

b)、访问标签内容

rawlv3 = content.findAll(href=repile(r'.mid$'))  
songname = str(rawlv3[i].text)

上式访问了<a href=...>(内容)</a>标签的实际内容，由于text为unicode类型，所以需要用str()做转换

附上最终的成果，程序功能是抓取www.dugukeji上的所有midi文件并下载，需要先建立./midi/dugukeji/文件夹和./midi/linklist文件

#!/usr/bin/python
# -*- coding:utf-8 -*- 
#
# ithomerimport urllib2,urllib,cookielib,threading
import os
import re
import bs4
import sys
reload(sys)
sys.setdefaultencoding('utf-8')	#允许打印unicode字符indexurl = '/'
databasepath = './midi/linklist'
path = './midi/dugukeji/'
totalresult = {}
oriresult = {}def crawl(url):# 伪装为浏览器抓取headers = {	'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}req = urllib2.Request(url,headers=headers)content = urllib2.urlopen(req).read()content = bs4.BeautifulSoup(content, from_encoding='GB18030')return contentdef crawlframe(sourceurl,target):global indexurlcontent = crawl(sourceurl)#match = repile(r'(?<=target=["]'+target+'["] src=["]).*?(?=["])')	#正则表达式方法#frameurl = re.findall(match,content)frameurl = content.findAll('frame',target=target)	#beautifulsoup方法result = indexurl+frameurl[0]['src']	### .htmreturn resultdef crawllv1(frameurl,st=-1,en=-1):global indexurlcontent = crawl(frameurl)#match = repile(r'(?<=href=["]).*?(?=["])')#rawlv2 = re.findall(match,content)rawlv2 = content.findAll(href=repile(r'.htm$'))result = []if st==-1 and en==-1:for i in range(len(rawlv2)):result.append(indexurl+rawlv2[i]['href'])	### .htmelse:for i in range(st,en):result.append(indexurl+rawlv2[i]['href'])#result.sort()return resultdef crawllv2(lv2url):global indexurlcontent = crawl(lv2url)#match = repile(r'(?<=href=["]../).*?[">].*?(?=[<])')#rawlv3 = re.findall(match,content)rawlv3 = content.findAll(href=repile(r'[..].*?[0-9].htm|.mid$'))#print rawlv3result = {}	#结果字典，key：链接，value：歌曲名for i in range(len(rawlv3)):tmp = str(rawlv3[i]['href'])#print tmplink = indexurl + tmp[tmp.rfind('..')+3:]	#有多个'..'，找到最后一个songname = ''if tmp[-4:]=='.htm':	#需要访问3级页try:conlv3 = crawl(link)except:print 'WARNING: visit lv3 url failed!n'else:rawlv4 = conlv3.findAll(href=repile(r'.mid$'))if not rawlv4:	#4级页没有.mid下载链接，略过continueelse:tmp = str(rawlv4[0]['href'])link = indexurl + tmp[tmp.rfind('..')+3:]songname = str(rawlv3[i].text)	#将unicode类型的text转化为string#songname.decode('GBK')#de('utf-8')songname = place(' ','_')	#将songname中空格和换行转化为下划线songname = place('n','_')	#原来存在的链接，直接略过if oriresult.has_key(link):continueif totalresult.has_key(link) and len(songname)<len(totalresult[link]):	#如果链接已保存且歌曲名长度比当前的长，略过continueelse:totalresult[link] = songnameresult[link] = songname		#加入字典#result.sort()return resultdef download(totalresult):for link in totalresult.keys():filepath = path + totalresult[link] + '.mid'print 'download: ',link,' -> ',filepath,'n'urllib.urlretrieve(link, filepath)def readdata(databasepath):datafile = open(databasepath,'r')	#读数据文件link = adline()while link:oriresult[link]=''link = adline()datafile.close()def writedata(databasepath):datafile = open(databasepath,'a')	#追加打开数据文件，将新链接写入文件尾for link in totalresult.keys():datafile.write(link,'n')datafile.close()# main
if __name__ == '__main__':# 访问文件，记录已下载的链接try:readdata(databasepath)	except:print 'WARNING:read database file failed!n'else:print 'There is ',len(oriresult),' links in database.n'# 抓取主页中一级页url所在frame的urltry:frameurl1 = crawlframe(indexurl,'rtop')	except:print 'WARNING: crawl lv1 frameurl failed!n'try:urllv1 = crawllv1(frameurl1,4,20)		#抓取一级页urlexcept:print 'WARNING: crawl lv1 url failed!n'for i in urllv1:print 'lv1 url:',itry:frameurl2 = crawlframe(i,'rbottom')	#抓取一级页中二级页url所在frame的urlexcept:print 'WARNING: crawl lv2 frameurl failed!n'else:print 'tlv2 frameurl:',frameurl2try:urllv2 = crawllv1(frameurl2)	#抓取二级页urlexcept:print 'WARNING: crawl lv2 url failed!n'else:for j in urllv2:print 'ttlv2 url:',jtry:urllv3 = crawllv2(j)except:print 'WARNING: crawl lv3 url failed!n'else:for k in urllv3.keys():print 'tttlv3 url:',k,'tname:',urllv3[k]#download(urllv3)print 'new added midi num:',len(totalresult)print 'nbegin n'download(totalresult)print '\n'writedata(databasepath)print 'nnDone!n'

运行结果：

参考推荐：

Python抓取网页&批量下载文件方法

[Python]网络爬虫（一）（系列教程）

开源python网络爬虫框架Scrapy

Python之HTML的解析（网页抓取一）

Python写爬虫——抓取网页并解析HTML

详解抓取网站，模拟登陆，抓取动态网页的原理和实现（Python，C#等）