c爬虫抓取网页数据( 风中蹦迪03-0803:07阅读4网站SEO优化关注实战)

　　c爬虫抓取网页数据(

风中蹦迪03-0803:07阅读4网站SEO优化关注实战)

　　

　　随风起舞

　　03-08 03:07 阅读4 网站SEO优化

　　专注于

　　【网络爬虫学习】实战，爬取网页和贴吧数据

　　

　　战斗一

　　抓取您想要的网页并将其保存到本地计算机。

　　首先我们简单分析下要编写的爬虫程序，可以分为以下三个部分：

　　理清逻辑后，我们就可以正式编写爬虫程序了。

　　导入所需模块

　　from urllib import request, parse

　　连接 URL 地址

　　定义 URL 变量并连接 url 地址。代码如下所示：

　　url = ‘http://www.baidu.com/s?wd={}‘

word = input(‘请输入想要搜索的内容:‘)

params = parse.quote(word)

full_url = url.format(params)

　　向 URL 发送请求

　　发送请求主要分为以下几个步骤：

　　代码如下所示：

　　# 重构请求头

headers = {

‘User-Agent‘:

‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0‘

}

# 创建请求对应

req = request.Request(url=full_url, headers=headers)

# 获取响应对象

res = request.urlopen(req)

# 获取响应内容

html = res.read().decode(‘utf-8‘)

　　另存为本地文件

　　将爬取的照片保存到本地，这里需要使用Python编程文件IO操作，代码如下：

　　filename = word + ‘.html‘

with open(filename, ‘w‘, encoding=‘utf-8‘) as f:

f.write(html)

　　完整的程序如下所示：

　　from urllib import request, parse

# 1.拼url地址

url = ‘http://www.baidu.com/s?wd={}‘

word = input(‘请输入想要搜索的内容:‘)

params = parse.quote(word)

full_url = url.format(params)

# 2.发请求保存到本地

# 重构请求头

headers = {

‘User-Agent‘:

‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0‘

}

# 创建请求对应

req = request.Request(url=full_url, headers=headers)

# 获取响应对象

res = request.urlopen(req)

# 获取响应内容

html = res.read().decode(‘utf-8‘)

# 3.保存文件至当前目录

filename = word + ‘.html‘

with open(filename, ‘w‘, encoding=‘utf-8‘) as f:

f.write(html)

　　尝试运行程序，进入RioTianの博客园，确认搜索，在当前工作目录下会找到“RioTianの博客园.html”文件。

　　函数式编程修饰符

　　Python函数式编程可以让程序的思路更清晰，更容易理解。接下来，利用函数式编程的思想，对上面的代码进行修改。

　　定义相应的函数，调用该函数执行爬虫程序。修改后的代码如下所示：

　　from urllib import request, parse

# 拼接URL地址

def get_url(word):

url = ‘http://www.baidu.com/s?{}‘

# 此处使用urlencode()进行编码

params = parse.urlencode({‘wd‘: word})

url = url.format(params)

return url

# 发请求,保存本地文件

def request_url(url, filename):

headers = {

‘User-Agent‘:

‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0‘

}

# 请求对象 + 响应对象 + 提取内容

req = request.Request(url=url, headers=headers)

res = request.urlopen(req)

html = res.read().decode(‘utf-8‘)

# 保存文件至本地

with open(filename, ‘w‘, encoding=‘utf-8‘) as f:

f.write(html)

# 主程序入口

if __name__ == ‘__main__‘:

word = input(‘请输入搜索内容:‘)

url = get_url(word)

filename = word + ‘.html‘

request_url(url, filename)

　　除了使用函数式编程，还可以使用面向对象的编程方式（实战二），后续内容会介绍。

　　第二幕

　　爬*敏*感*词*（Python爬虫，编程，只抓取贴吧的前5页。

　　确定页面类型

　　通过简单的分析，我们可以知道要爬取的页面是静态网页，分析方法很简单：打开*敏*感*词*，搜索“Python爬虫”，复制其中任意一条信息出现的页面，如“爬虫需要http代理”，然后右键选择查看源代码，在源代码页面使用Ctrl+F快捷键搜索刚刚复制的数据，如下图：

　　从上图可以看出，页面中的所有信息都收录在源页面中，不需要单独从数据库中加载数据，所以页面是静态页面。

　　找出 URL 变化的规律性

　　接下来，查找要抓取的页面的 URL 模式。搜索“Python爬虫”后，贴吧的首页网址如下：

　　https://tieba.baidu.com/f?ie=utf-8&kw=python爬虫&fr=search

　　点击第二页，其url信息如下：

　　https://tieba.baidu.com/f?kw=python爬虫&ie=utf-8&pn=50

　　点击第三页，url信息如下：

　　https://tieba.baidu.com/f?kw=python爬虫&ie=utf-8&pn=100

　　再次点击第一页，url信息如下：

　　https://tieba.baidu.com/f?kw=python爬虫&ie=utf-8&pn=0

　　如果还是不能确定，可以继续多浏览几页。最后发现url有两个查询参数kw和pn，pn参数有规律是这样的：

　　第n页：pn=(n-1)*50

#参数params

pn=(page-1)*50

params={

‘kw‘:name,

‘pn‘:str(pn)

}

　　url地址可以简写为：

　　https://tieba.baidu.com/f?kw=python爬虫&pn=450

　　编写爬虫

　　爬虫程序以类的形式编写，在类下编写不同的功能函数。代码如下：

　　from urllib import request,parse

import time

import random

from ua_info import ua_list #使用自定义的ua池

#定义一个爬虫类

class TiebaSpider(object):

#初始化url属性

def __init__(self):

self.url=‘http://tieba.baidu.com/f?{}‘

# 1.请求函数，得到页面，传统三步

def get_html(self,url):

req=request.Request(url=url,headers={‘User-Agent‘:random.choice(ua_list)})

res=request.urlopen(req)

#windows会存在乱码问题，需要使用 gbk解码，并使用ignore忽略不能处理的字节

#linux不会存在上述问题，可以直接使用decode(‘utf-8‘)解码

html=res.read().decode("gbk","ignore")

return html

# 2.解析函数，此处代码暂时省略，还没介绍解析模块

def parse_html(self):

pass

# 3.保存文件函数

def save_html(self,filename,html):

with open(filename,‘w‘) as f:

f.write(html)

# 4.入口函数

def run(self):

name=input(‘输入贴吧名：‘)

begin=int(input(‘输入起始页：‘))

stop=int(input(‘输入终止页：‘))

# +1 操作保证能够取到整数

for page in range(begin,stop+1):

pn=(page-1)*50

params={

‘kw‘:name,

‘pn‘:str(pn)

}

#拼接URL地址

params=parse.urlencode(params)

url=self.url.format(params)

#发请求

html=self.get_html(url)

#定义路径

filename=‘{}-{}页.html‘.format(name,page)

self.save_html(filename,html)

#提示

print(‘第%d页抓取成功‘%page)

#每爬取一个页面随机休眠1-2秒钟的时间

time.sleep(random.randint(1,2))

#以脚本的形式启动爬虫

if __name__==‘__main__‘:

start=time.time()

spider=TiebaSpider() #实例化一个对象spider

spider.run() #调用入口函数

end=time.time()

#查看程序执行时间

print(‘执行时间:%.2f‘%(end-start)) #爬虫执行时间

　　程序执行后，爬取的文件会保存到Pycharm的当前工作目录下，输出为：

　　输入贴吧名：python爬虫

输入起始页：1

输入终止页：2

第1页抓取成功

第2页抓取成功

执行时间:12.25

　　以面向对象的方式编写爬虫程序时，思路简单，逻辑清晰，非常容易理解。上述代码主要包括四个功能函数，分别负责不同的功能，总结如下：

　　1) 请求函数

　　request函数的最终结果是返回一个HTML对象，方便后续函数调用。

　　2) 分析函数

　　解析函数用于解析 HTML 页面。常见的解析模块有正则解析模块和bs4解析模块。通过分析页面，提取出需要的数据，在后续内容中会详细介绍。

　　3) 保存数据功能

　　该函数负责将采集到的数据保存到数据库，如MySQL、MongoDB等，或者保存为文件格式，如csv、txt、excel等。

　　4) 入口函数

　　入口函数作为整个爬虫程序的桥梁，通过调用不同的函数函数实现最终的数据抓取。入口函数的主要任务是组织数据，比如要搜索的贴吧的名字，编码url参数，拼接url地址，定义文件存储路径。

　　履带结构

　　用面向对象的方式编写爬虫程序时，逻辑结构是比较固定的，总结如下：

　　# 程序结构

class xxxSpider(object):

def __init__(self):

# 定义常用变量,比如url或计数变量等

def get_html(self):

# 获取响应内容函数,使用随机User-Agent

def parse_html(self):

# 使用正则表达式来解析页面，提取数据

def write_html(self):

# 将提取的数据按要求保存，csv、MySQL数据库等

def run(self):

# 主函数，用来控制整体逻辑

if __name__ == ‘__main__‘:

# 程序开始运行时间

spider = xxxSpider()

spider.run()

　　注意：掌握以上编程逻辑将有助于您后续的学习。

　　爬虫随机休眠

　　在入口函数代码中，收录以下代码：

　　# 每爬取一个页面随机休眠1-2秒钟的时间

time.sleep(random.randint(1,2))

　　爬虫访问 网站 会非常快，这与正常的人类点击行为非常不符。因此，通过随机休眠，爬虫可以模仿人类点击网站，使得网站不容易察觉是爬虫访问网站，但这样做的代价是影响程序的执行效率。

　　焦点爬虫是一个执行效率低的程序，提高其性能是业界一直关注的问题。于是，高效的 Python 爬虫框架 Scrapy 应运而生。

　　原版的：