使用python進行web抓取

時間 2019-11-15

標籤使用 python 進行 web 抓取欄目 Python 简体版

原文原文鏈接

http://cxy.liuzhihengseo.com/462.htmljavascript

原文出處：磁針石 css

本文摘要自Web Scraping with Python – 2015html

書籍下載地址：https://bitbucket.org/xurongzhong/python-chinese-library/downloadsjava

源碼地址：https://bitbucket.org/wswp/codepython

演示站點：http://example.webscraping.com/程序員

演示站點代碼：http://bitbucket.org/wswp/placesweb

推薦的python基礎教程： http://www.diveintopython.net正則表達式

HTML和JavaScript基礎：數據庫

http://www.w3schools.comexpress

web抓取簡介

爲何要進行web抓取？

網購的時候想比較下各個網站的價格，也就是實現惠惠購物助手的功能。有API天然方便，可是一般是沒有API，此時就須要web抓取。

web抓取是否合法？

抓取的數據，我的使用不違法，商業用途或從新發布則須要考慮受權，另外須要注意禮節。根據國外已經判決的案例，通常來講位置和電話能夠從新發布，可是原創數據不容許從新發布。

http://www.austlii.edu.au/au/cases/cth/FCA/2010/44.html

http://caselaw.findlaw.com/us-supreme-court/499/340.html

背景研究

robots.txt和Sitemap能夠幫助瞭解站點的規模和結構，還可使用谷歌搜索和WHOIS等工具。

好比：http://example.webscraping.com/robots.txt

# section 1

User-agent: BadCrawler

Disallow: /

# section 2

User-agent: *

Crawl-delay: 5

Disallow: /trap

# section 3

Sitemap: http://example.webscraping.com/sitemap.xml

更多關於web機器人的介紹參見 http://www.robotstxt.org。
Sitemap的協議： http://www.sitemaps.org/protocol.html，好比：

http://example.webscraping.com/view/Afghanistan-1

http://example.webscraping.com/view/Aland-Islands-2

http://example.webscraping.com/view/Albania-3

...

站點地圖常常不完整。

站點大小評估：
經過google的site查詢好比：site:automationtesting.sinaapp.com

站點技術評估：

# pip install builtwith

# ipython

In [1]: import builtwith

In [2]: builtwith.parse('http://automationtesting.sinaapp.com/')

Out[2]:

{u'issue-trackers': [u'Trac'],

u'javascript-frameworks': [u'jQuery'],

u'programming-languages': [u'Python'],

u'web-servers': [u'Nginx']}

分析網站全部者：

# pip install python-whois

# ipython

In [1]: import whois

In [2]: print whois.whois('http://automationtesting.sinaapp.com')

{

"updated_date": "2016-01-07 00:00:00",

"status": [

"serverDeleteProhibited https://www.icann.org/epp#serverDeleteProhibited",

"serverTransferProhibited https://www.icann.org/epp#serverTransferProhibited",

"serverUpdateProhibited https://www.icann.org/epp#serverUpdateProhibited"

"name": null,

"dnssec": null,

"city": null,

"expiration_date": "2021-06-29 00:00:00",

"zipcode": null,

"domain_name": "SINAAPP.COM",

"country": null,

"whois_server": "whois.paycenter.com.cn",

"state": null,

"registrar": "XIN NET TECHNOLOGY CORPORATION",

"referral_url": "http://www.xinnet.com",

"address": null,

"name_servers": [

"NS1.SINAAPP.COM",

"NS2.SINAAPP.COM",

"NS3.SINAAPP.COM",

"NS4.SINAAPP.COM"

"org": null,

"creation_date": "2009-06-29 00:00:00",

"emails": null

}

抓取第一個站點

簡單的爬蟲(crawling)代碼以下：

Python

import urllib2

def download(url):

    print 'Downloading:', url

    try:

        html = urllib2.urlopen(url).read()

    except urllib2.URLError as e:

        print 'Download error:', e.reason

        html = None

    return html

能夠基於錯誤碼重試。HTTP狀態碼：https://tools.ietf.org/html/rfc7231#section-6。4**不必重試，5**能夠重試下。

100

101

102

103

104

105

106

107

108

109

import urllib2

def download(url, num_retries=2):

print 'Downloading:', url

try:

html = urllib2.urlopen(url).read()

except urllib2.URLError as e:

print 'Download error:', e.reason

html = None

if num_retries > 0:

if hasattr(e, 'code') and 500

http://httpstat.us/500 會返回500，能夠用它來測試下：

>>> download('http://httpstat.us/500')

Downloading: http://httpstat.us/500

Download error: Internal Server Error

Downloading: http://httpstat.us/500

Download error: Internal Server Error

Downloading: http://httpstat.us/500

Download error: Internal Server Error

設置 user agent：

urllib2默認的user agent是「Python-urllib/2.7」，不少網站會對此進行攔截, 推薦使用接近真實的agent，好比

Mozilla/5.0 (X11; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0

爲此咱們增長user agent設置：

import urllib2

def download(url, user_agent='Mozilla/5.0 (X11; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0', num_retries=2):

print 'Downloading:', url

headers = {'User-agent': user_agent}

request = urllib2.Request(url, headers=headers)

try:

html = urllib2.urlopen(request).read()

except urllib2.URLError as e:

print 'Download error:', e.reason

html = None

if num_retries > 0:

if hasattr(e, 'code') and 500

爬行站點地圖：

def crawl_sitemap(url):

# download the sitemap file

sitemap = download(url)

# extract the sitemap links

links = re.findall('(.*?)', sitemap)

# download each link

for link in links:

html = download(link)

# scrape html here

# ...

ID循環爬行：• http://example.webscraping.com/view/Afghanistan-1• http://example.webscraping.com/view/Australia-2• http://example.webscraping.com/view/Brazil-3上面幾個網址僅僅是最後面部分不一樣，一般程序員喜歡用數據庫的id，好比：http://example.webscraping.com/view/1 ，這樣咱們就能夠數據庫的id抓取網頁。

for page in itertools.count(1):

url = 'http://example.webscraping.com/view/-%d' % page

html = download(url)

if html is None:

break

else:

# success - can scrape the result

pass

固然數據庫有可能刪除了一條記錄，爲此咱們改進成以下：

# maximum number of consecutive download errors allowed

max_errors = 5

# current number of consecutive download errors

num_errors = 0

for page in itertools.count(1):

url = 'http://example.webscraping.com/view/-%d' % page

html = download(url)

if html is None:

# received an error trying to download this webpage

num_errors += 1

if num_errors == max_errors:

# reached maximum number of

# consecutive errors so exit

break

else:

# success - can scrape the result

# ...

num_errors = 0

有些網站不存在的時候會返回404，有些網站的ID不是這麼有規則的，好比亞馬遜使用ISBN。

分析網頁

通常的瀏覽器都有"查看頁面源碼"的功能，在Firefox，Firebug尤爲方便。以上工具均可以郵件點擊網頁調出。抓取網頁數據主要有3種方法：正則表達式、BeautifulSoup和lxml。正則表達式示例：

In [1]: import re

In [2]: import common

In [3]: url = 'http://example.webscraping.com/view/UnitedKingdom-239'

In [4]: html = common.download(url)

Downloading: http://example.webscraping.com/view/UnitedKingdom-239

In [5]: re.findall('(.*?)', html)

Out[5]:

['',

'244,820 square kilometres',

'62,348,447',

'GB',

'United Kingdom',

'London',

'EU',

'.uk',

'GBP',

'Pound',

'44',

'@# #@@|@## #@@|@@# #@@|@@## #@@|@#@ #@@|@@#@ #@@|GIR0AA',

'^(([A-Z]\d{2}[A-Z]{2})|([A-Z]\d{3}[A-Z]{2})|([A-Z]{2}\d{2}[A-Z]{2})|([A-Z]{2}\d{3}[A-Z]{2})|([A-Z]\d[A-Z]\d[A-Z]{2})|([A-Z]{2}\d[A-Z]\d[A-Z]{2})|(GIR0AA))$',

'en-GB,cy-GB,gd',

'IE ']

In [6]: re.findall('(.*?)', html)[1]

Out[6]: '244,820 square kilometres'

維護成本比較高。
Beautiful Soup：

Python

In [7]: from bs4 import BeautifulSoup

In [8]: broken_html = '<ul class=country><li>Area<li>Population</ul>'

In [9]: # parse the HTML

In [10]: soup = BeautifulSoup(broken_html, 'html.parser')

In [11]: fixed_html = soup.prettify()

In [12]: print fixed_html

<li>

Area

<li>

Population

</li>

</ul>

In [13]: ul = soup.find('ul', attrs={'class':'country'})

In [14]: ul.find('li') # returns just the first match

Out[14]: <li>Area<li>Population</li></li>

In [15]: ul.find_all('li') # returns all matches

Out[15]: [<li>Area<li>Population</li></li>, <li>Population</li>]

完整的例子：

In [1]: from bs4 import BeautifulSoup

In [2]: url = 'http://example.webscraping.com/places/view/United-Kingdom-239'

In [3]: import common

In [5]: html = common.download(url)

Downloading: http://example.webscraping.com/places/view/United-Kingdom-239

In [6]: soup = BeautifulSoup(html)

/usr/lib/python2.7/site-packages/bs4/__init__.py:166:

UserWarning: No parser was explicitly specified, so I'm using the best

available HTML parser for this system ("lxml"). This usually isn't a

problem, but if you run this code on another system, or in a different

virtual environment, it may use a different parser and behave

differently.

To get rid of this warning, change this:

BeautifulSoup([your markup])

to this:

BeautifulSoup([your markup], "lxml")

markup_type=markup_type))

In [7]: # locate the area row

In [8]: tr = soup.find(attrs={'id':'places_area__row'})

In [9]: td = tr.find(attrs={'class':'w2p_fw'}) # locate the area tag

In [10]: area = td.text # extract the text from this tag

In [11]: print area

244,820 square kilometres

Lxml基於 libxml2(c語言實現)，更快速，可是有時更難安裝。網址：http://lxml.de/installation.html。

Python

In [1]: import lxml.html

In [2]: broken_html = '<ul class=country><li>Area<li>Population</ul>'

In [3]: tree = lxml.html.fromstring(broken_html) # parse the HTML

In [4]: fixed_html = lxml.html.tostring(tree, pretty_print=True)

In [5]: print fixed_html

<li>Population</li>

</ul>

lxml的容錯能力也比較強，少半邊標籤一般沒事。

下面使用css選擇器，注意安裝cssselect。

In [1]: import common

In [2]: import lxml.html

In [3]: url = 'http://example.webscraping.com/places/view/United-Kingdom-239'

In [4]: html = common.download(url)

Downloading: http://example.webscraping.com/places/view/United-Kingdom-239

In [5]: tree = lxml.html.fromstring(html)

In [6]: td = tree.cssselect('tr#places_area__row > td.w2p_fw')[0]

In [7]: area = td.text_content()

In [8]: print area

244,820 square kilometres

在 CSS 中，選擇器是一種模式，用於選擇須要添加樣式的元素。

「CSS」列指示該屬性是在哪一個 CSS 版本中定義的。（CSS一、CSS2 仍是 CSS3。）

選擇器	例子	例子描述	CSS
.class	.intro	選擇 class=」intro」的全部元素。	1
#id	#firstname	選擇 id=」firstname」的全部元素。	1
*	*	選擇全部元素。	2
element	p	選擇全部元素。	1
element,element	div,p	選擇全部元素和全部元素。	1
element element	div p	選擇元素內部的全部元素。	1
element>element	div>p	選擇父元素爲元素的全部元素。	2
element+element	div+p	選擇緊接在元素以後的全部元素。	2
[attribute]	[target]	選擇帶有 target 屬性全部元素。	2
[attribute=value]	[target=_blank]	選擇 target=」_blank」的全部元素。	2
[attribute~=value]	[title~=flower]	選擇 title 屬性包含單詞「flower」的全部元素。	2
[attribute\|=value]	[lang\|=en]	選擇 lang 屬性值以「en」開頭的全部元素。	2
:link	a:link	選擇全部未被訪問的連接。	1
:visited	a:visited	選擇全部已被訪問的連接。	1
:active	a:active	選擇活動連接。	1
:hover	a:hover	選擇鼠標指針位於其上的連接。	1
:focus	input:focus	選擇得到焦點的 input 元素。	2
:first-letter	p:first-letter	選擇每一個元素的首字母。	1
:first-line	p:first-line	選擇每一個元素的首行。	1
:first-child	p:first-child	選擇屬於父元素的第一個子元素的每一個元素。	2
:before	p:before	在每一個元素的內容以前插入內容。	2
:after	p:after	在每一個元素的內容以後插入內容。	2
:lang(language)	p:lang(it)	選擇帶有以「it」開頭的 lang 屬性值的每一個元素。	2
element1~element2	p~ul	選擇前面有元素的每一個元素。	3
[attribute^=value]	a[src^="https"]	選擇其 src 屬性值以「https」開頭的每一個元素。	3
[attribute$=value]	a[src$=".pdf"]	選擇其 src 屬性以「.pdf」結尾的全部元素。	3
[attribute*=value]	a[src*="abc"]	選擇其 src 屬性中包含「abc」子串的每一個元素。	3
:first-of-type	p:first-of-type	選擇屬於其父元素的首個元素的每一個元素。	3
:last-of-type	p:last-of-type	選擇屬於其父元素的最後元素的每一個元素。	3
:only-of-type	p:only-of-type	選擇屬於其父元素惟一的元素的每一個元素。	3
:only-child	p:only-child	選擇屬於其父元素的惟一子元素的每一個元素。	3
:nth-child(n)	p:nth-child(2)	選擇屬於其父元素的第二個子元素的每一個元素。	3
:nth-last-child(n)	p:nth-last-child(2)	同上，從最後一個子元素開始計數。	3
:nth-of-type(n)	p:nth-of-type(2)	選擇屬於其父元素第二個元素的每一個元素。	3
:nth-last-of-type(n)	p:nth-last-of-type(2)	同上，可是從最後一個子元素開始計數。	3
:last-child	p:last-child	選擇屬於其父元素最後一個子元素每一個元素。	3
:root	:root	選擇文檔的根元素。	3
:empty	p:empty	選擇沒有子元素的每一個元素（包括文本節點）。	3
:target	#news:target	選擇當前活動的 #news 元素。	3
:enabled	input:enabled	選擇每一個啓用的 <input>元素。	3
:disabled	input:disabled	選擇每一個禁用的 <input>元素	3
:checked	input:checked	選擇每一個被選中的 <input>元素。	3
:not(selector)	:not(p)	選擇非<p>元素的每一個元素。	3
::selection	::selection	選擇被用戶選取的元素部分。	3

CSS 選擇器參見：http://www.w3school.com.cn/cssref/css_selectors.ASP 和 https://pythonhosted.org/cssselect/#supported-selectors。

下面經過提取以下頁面的國家數據來比較性能：

比較代碼：

import urllib2

import itertools

import re

from bs4 import BeautifulSoup

import lxml.html

import time

FIELDS = ('area', 'population', 'iso', 'country', 'capital',

'continent', 'tld', 'currency_code', 'currency_name', 'phone',

'postal_code_format', 'postal_code_regex', 'languages',

'neighbours')

def download(url, user_agent='Mozilla/5.0 (X11; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0', num_retries=2):

print 'Downloading:', url

headers = {'User-agent': user_agent}

request = urllib2.Request(url, headers=headers)

try:

html = urllib2.urlopen(request).read()

except urllib2.URLError as e:

print 'Download error:', e.reason

html = None

if num_retries > 0:

if hasattr(e, 'code') and 500 (.*?)' % field, html.replace('n','')).groups()[0]

return results

def bs_scraper(html):

soup = BeautifulSoup(html, 'html.parser')

results = {}

for field in FIELDS:

results[field] = soup.find('table').find('tr',id='places_%s__row' % field).find('td',class_='w2p_fw').text

return results

def lxml_scraper(html):

tree = lxml.html.fromstring(html)

results = {}

for field in FIELDS:

results[field] = tree.cssselect('table > tr#places_%s__row> td.w2p_fw' % field)[0].text_content()

return results

NUM_ITERATIONS = 1000 # number of times to test each scraper

html = download('http://example.webscraping.com/places/view/United-Kingdom-239')

for name, scraper in [('Regular expressions', re_scraper),('BeautifulSoup', bs_scraper),('Lxml', lxml_scraper)]:

# record start time of scrape

start = time.time()

for i in range(NUM_ITERATIONS):

if scraper == re_scraper:

re.purge()

result = scraper(html)

# check scraped result is as expected

assert(result['area'] == '244,820 square kilometres')

# record end time of scrape and output the total

end = time.time()

print '%s: %.2f seconds' % (name, end - start)

Windows執行結果：

Downloading: http://example.webscraping.com/places/view/United-Kingdom-239

Regular expressions: 11.63 seconds

BeautifulSoup: 92.80 seconds

Lxml: 7.25 seconds

Linux執行結果:

Downloading: http://example.webscraping.com/places/view/United-Kingdom-239

Regular expressions: 3.09 seconds

BeautifulSoup: 29.40 seconds

Lxml: 4.25 seconds

其中 re.purge() 用戶清正則表達式的緩存。

推薦使用基於Linux的lxml，在同一網頁屢次分析的狀況優點更爲明顯。

問啊-定製化IT教育平臺，牛人一對一服務，有問必答，開發編程社交頭條官方網站：www.wenaaa.com 下載問啊APP，參與官方懸賞，賺百元現金。QQ羣290551701 彙集不少互聯網精英，技術總監，架構師，項目經理！開源技術研究，歡迎業內人士，大牛及新手有志於從事IT行業人員進入！

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。