本文目录一览:
- 如何入门 Python 爬虫
- python可以爬取什么数据
- Python Requests 12306列车车次信息爬取
- python怎么爬取数据
- 如何用Python爬取数据?
- python爬虫怎么做?
如何入门 Python 爬虫
“入门”是良好的动机,但是可能作用缓慢。如果你手里或者脑子里有一个项目,那么实践起来你会被目标驱动,而不会像学习模块一样慢慢学习。 另外如果说知识体系里的每一个知识点是图里的点,依赖关系是边的话,那么这个图一定不是一个有向无环图。因为学习A的经验可以帮助你学习B。因此,你不需要学习怎么样“入门”,因为这样的“入门”点根本不存在!你需要学习的是怎么样做一个比较大的东西,在这个过程中,你会很快地学会需要学会的东西的。当然,你可以争论说需要先懂python,不然怎么学会python做爬虫呢?但是事实上,你完全可以在做这个爬虫的过程中学习python :D 看到前面很多答案都讲的“术”——用什么软件怎么爬,那我就讲讲“道”和“术”吧——爬虫怎么工作以及怎么在python实现。 先长话短说summarize一下: 你需要学习
- 基本的爬虫工作原理
- 基本的http抓取工具,scrapy
- Bloom Filter: Bloom Filters by Example 如果需要大规模网页抓取,你需要学习分布式爬虫的概念。其实没那么玄乎,你只要学会怎样维护一个所有集群机器能够有效分享的分布式队列就好。 rq和Scrapy的结合:darkrho/scrapy-redis · GitHub 后续处理,网页析取(grangier/python-goose · GitHub),存储(Mongodb) 以下是短话长说: 说说当初写的一个集群爬下整个豆瓣的经验吧。 1)首先你要明白爬虫怎样工作。 想象你是一只蜘蛛,现在你被放到了互联“网”上。那么,你需要把所有的网页都看一遍。怎么办呢?没问题呀,你就随便从某个地方开始,比如说人民日报的首页,这个叫initial pages,用$表示吧。 在人民日报的首页,你看到那个页面引向的各种链接。于是你很开心地从爬到了“国内新闻”那个页面。太好了,这样你就已经爬完了俩页面(首页和国内新闻)!暂且不用管爬下来的页面怎么处理的,你就想象你把这个页面完完整整抄成了个html放到了你身上。 突然你发现, 在国内新闻这个页面上,有一个链接链回“首页”。作为一只聪明的蜘蛛,你肯定知道你不用爬回去的吧,因为你已经看过了啊。所以,你需要用你的脑子,存下你已经看过的页面地址。这样,每次看到一个可能需要爬的新链接,你就先查查你脑子里是不是已经去过这个页面地址。如果去过,那就别去了。 好的,理论上如果所有的页面可以从initial page达到的话,那么可以证明你一定可以爬完所有的网页。 那么在python里怎么实现呢? 很简单
import Queue
initial_page = ""
url_queue = Queue.Queue()
seen = set()
seen.insert(initial_page)
url_queue.put(initial_page)
while(True): #一直进行直到海枯石烂
if url_queue.size() > 0:
current_url = url_queue.get() #拿出队例中第一个的url
store(current_url) #把这个url代表的网页存储好
for next_url in extract_urls(current_url): #提取把这个url里链向的url
if next_url not in seen:
seen.put(next_url)
url_queue.put(next_url)
else:
break
写得已经很伪代码了。 所有的爬虫的backbone都在这里,下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发。 2)效率 如果你直接加工一下上面的代码直接运行的话,你需要一整年才能爬下整个豆瓣的内容。更别说Google这样的搜索引擎需要爬下全网的内容了。 问题出在哪呢?需要爬的网页实在太多太多了,而上面的代码太慢太慢。设想全网有N个网站,那么分析一下判重的复杂度就是N*log(N),因为所有网页要遍历一次,而每次判重用set的话需要log(N)的复杂度。OK,OK,我知道python的set实现是hash——不过这样还是太慢了,至少内存使用效率不高。 通常的判重做法是怎样呢?Bloom Filter. 简单讲它仍然是一种hash的方法,但是它的特点是,它可以使用固定的内存(不随url的数量而增长)以O(1)的效率判定url是否已经在set中。可惜天下没有白吃的午餐,它的唯一问题在于,如果这个url不在set中,BF可以100%确定这个url没有看过。但是如果这个url在set中,它会告诉你:这个url应该已经出现过,不过我有2%的不确定性。注意这里的不确定性在你分配的内存足够大的时候,可以变得很小很少。一个简单的教程:Bloom Filters by Example 注意到这个特点,url如果被看过,那么可能以小概率重复看一看(没关系,多看看不会累死)。但是如果没被看过,一定会被看一下(这个很重要,不然我们就要漏掉一些网页了!)。 [IMPORTANT: 此段有问题,请暂时略过] 好,现在已经接近处理判重最快的方法了。另外一个瓶颈——你只有一台机器。不管你的带宽有多大,只要你的机器下载网页的速度是瓶颈的话,那么你只有加快这个速度。用一台机子不够的话——用很多台吧!当然,我们假设每台机子都已经进了最大的效率——使用多线程(python的话,多进程吧)。 3)集群化抓取 爬取豆瓣的时候,我总共用了100多台机器昼夜不停地运行了一个月。想象如果只用一台机子你就得运行100个月了... 那么,假设你现在有100台机器可以用,怎么用python实现一个分布式的爬取算法呢? 我们把这100台中的99台运算能力较小的机器叫作slave,另外一台较大的机器叫作master,那么回顾上面代码中的url_queue,如果我们能把这个queue放到这台master机器上,所有的slave都可以通过网络跟master联通,每当一个slave完成下载一个网页,就向master请求一个新的网页来抓取。而每次slave新抓到一个网页,就把这个网页上所有的链接送到master的queue里去。同样,bloom filter也放到master上,但是现在master只发送确定没有被访问过的url给slave。Bloom Filter放到master的内存里,而被访问过的url放到运行在master上的Redis里,这样保证所有操作都是O(1)。(至少平摊是O(1),Redis的访问效率见:LINSERT – Redis) 考虑如何用python实现: 在各台slave上装好scrapy,那么各台机子就变成了一台有抓取能力的slave,在master上装好Redis和rq用作分布式队列。 代码于是写成
#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()
initial_pages = ""
while(True):
if request == 'GET':
if distributed_queue.size() > 0:
send(distributed_queue.get())
else:
break
elif request == 'POST':
bf.put(request.url)
好的,其实你能想到,有人已经给你写好了你需要的:darkrho/scrapy-redis · GitHub 4)展望及后处理 虽然上面用很多“简单”,但是真正要实现一个商业规模可用的爬虫并不是一件容易的事。上面的代码用来爬一个整体的网站几乎没有太大的问题。 但是如果附加上你需要这些后续处理,比如
- 有效地存储(数据库应该怎样安排)
- 有效地判重(这里指网页判重,咱可不想把人民日报和抄袭它的大民日报都爬一遍)
- 有效地信息抽取(比如怎么样抽取出网页上所有的地址抽取出来,“朝阳区奋进路中华道”),搜索引擎通常不需要存储所有的信息,比如图片我存来干嘛...
- 及时更新(预测这个网页多久会更新一次) 如你所想,这里每一个点都可以供很多研究者十数年的研究。虽然如此, “路漫漫其修远兮,吾将上下而求索”。 所以,不要问怎么入门,直接上路就好了:)
python可以爬取什么数据
一、爬取我们所需要的一线链接
channel_extract.py
这里的一线链接也就是我们所说的大类链接:
from bs4 import BeautifulSoup
import requests
start_url = ''
host_url = ''
def get_channel_urls(url):
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text, 'lxml')
links = soup.select('.fenlei dt a')
#print(links)
for link in links:
page_url = host_url + link.get('href')
print(page_url)
那么拿我爬取的58同城为例就是爬取了二手市场所有品类的链接,也就是我说的大类链接;
找到这些链接的共同特征,用函数将其输出,并作为多行文本储存起来。
二、获取我们所需要的详情页面的链接和详情信息
page_parsing.py
1、说说我们的数据库:
先看代码:
#引入库文件
from bs4 import BeautifulSoup
import requests
import pymongo #python操作MongoDB的库
import re
import time
#链接和建立数据库
client = pymongo.MongoClient('localhost', 27017)
ceshi = client['ceshi'] #建ceshi数据库
ganji_url_list = ceshi['ganji_url_list'] #建立表文件
ganji_url_info = ceshi['ganji_url_info']
2、判断页面结构是否和我们想要的页面结构相匹配,比如有时候会有404页面; 3、从页面中提取我们想要的链接,也就是每个详情页面的链接; 这里我们要说的是一个方法就是:
item_link = link.get('href').split('?')[0]
这里的这个link什么类型的,这个get方法又是什么鬼? 后来我发现了这个类型是
class 'bs4.element.Tab'
如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么
print soup.p['class']
#['title']
还可以这样,利用get方法,传入属性的名称,二者是等价的
print soup.p.get('class')
#['title']
下面我来贴上代码:
#爬取所有商品的详情页面链接:
def get_type_links(channel, num):
list_view = '{0}o{1}/'.format(channel, str(num))
#print(list_view)
wb_data = requests.get(list_view)
soup = BeautifulSoup(wb_data.text, 'lxml')
linkOn = soup.select('.pageBox') #判断是否为我们所需页面的标志;
#如果爬下来的select链接为这样:div.pageBox ul li:nth-child(1) a span 这里的:nth-child(1)要删掉
#print(linkOn)
if linkOn:
link = soup.select('.zz .zz-til a')
link_2 = soup.select('.js-item a')
link = link + link_2
#print(len(link))
for linkc in link:
linkc = linkc.get('href')
ganji_url_list.insert_one({'url': linkc})
print(linkc)
else:
pass
4、爬取详情页中我们所需要的信息 我来贴一段代码:
#爬取赶集网详情页链接:
def get_url_info_ganji(url):
time.sleep(1)
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text, 'lxml')
try:
title = soup.select('head title')[0].text
timec = soup.select('.pr-5')[0].text.strip()
type = soup.select('.det-infor li span a')[0].text
price = soup.select('.det-infor li i')[0].text
place = soup.select('.det-infor li a')[1:]
placeb = []
for placec in place:
placeb.append(placec.text)
tag = soup.select('.second-dt-bewrite ul li')[0].text
tag = ''.join(tag.split())
#print(time.split())
data = {
'url' : url,
'title' : title,
'time' : timec.split(),
'type' : type,
'price' : price,
'place' : placeb,
'new' : tag
}
ganji_url_info.insert_one(data) #向数据库中插入一条数据;
print(data)
except IndexError:
pass
四、我们的主函数怎么写?
main.py
看代码:
#先从别的文件中引入函数和数据:
from multiprocessing import Pool
from page_parsing import get_type_links,get_url_info_ganji,ganji_url_list
from channel_extract import channel_urls
#爬取所有链接的函数:
def get_all_links_from(channel):
for i in range(1,100):
get_type_links(channel,i)
#后执行这个函数用来爬取所有详情页的文件:
if __name__ == '__main__':
# pool = Pool()
# # pool = Pool()
# pool.map(get_url_info_ganji, [url['url'] for url in ganji_url_list.find()])
# pool.close()
# pool.join()
#先执行下面的这个函数,用来爬取所有的链接:
if __name__ == '__main__':
pool = Pool()
pool = Pool()
pool.map(get_all_links_from,channel_urls.split())
pool.close()
pool.join()
五、计数程序
count.py
用来显示爬取数据的数目;
import time
from page_parsing import ganji_url_list,ganji_url_info
while True:
# print(ganji_url_list.find().count())
# time.sleep(5)
print(ganji_url_info.find().count())
time.sleep(5)
Python Requests 12306列车车次信息爬取
导入需要的模块 当然我们还有另一种的方法绕过ssl认证 当网页需要ssl验证的时候,正常爬取会出现SSLError报错,表示证书错误,我们通过设置 verity 参数 为 False 来避免这个错误 不过我们会发现一个警告,我们可以通过日志捕获警告的方式,屏蔽警告 构造requests请求包 发送请求,并将爬取到的信息进行整理 效果如下
python怎么爬取数据
根据你要抓取页面的源码字段来进行爬取。根据对应的源码找到你的需求数据,主要用到requests+BeautifulSoup,其中requests用于请求页面,BeautifulSoup用于解析页面。
如何用Python爬取数据?
方法/步骤
在做爬取数据之前,你需要下载安装两个东西,一个是urllib,另外一个是python-docx。 然后在python的编辑器中输入import选项,提供这两个库的服务 urllib主要负责抓取网页的数据,单纯的抓取网页数据其实很简单,输入如图所示的命令,后面带链接即可。 抓取下来了,还不算,必须要进行读取,否则无效。 接下来就是抓码了,不转码是完成不了保存的,将读取的函数read转码。再随便标记一个比如XA。 最后再输入三句,第一句的意思是新建一个空白的word文档。 第二句的意思是在文档中添加正文段落,将变量XA抓取下来的东西导进去。 第三句的意思是保存文档docx,名字在括号里面。 这个爬下来的是源代码,如果还需要筛选的话需要自己去添加各种正则表达式。
python爬虫怎么做?
具体步骤
整体思路流程 简单代码演示 准备工作 下载并安装所需要的python库,包括: 对所需要的网页进行请求并解析返回的数据 对于想要做一个简单的爬虫而言,这一步其实很简单,主要是通过requests库来进行请求,然后对返回的数据进行一个解析,解析之后通过对于元素的定位和选择来获取所需要的数据元素,进而获取到数据的一个过程。 可以通过定义不同的爬虫来实现爬取不同页面的信息,并通过程序的控制来实现一个自动化爬虫。 以下是一个爬虫的实例