python网络爬虫之---体验篇BeautifulSoup
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，以下就分享一下我在初学python过程中遇到的问题及解决方法。1、用Python抓取网页
view plaincopyprint?
[*]import urllib2,urllib
[*]url = 'http://www.baidu.com'
[*]req = urllib2.Request(url)
[*]content = urllib2.urlopen(req).read()
1)、url为网址，需要加'http://'
2)、content为网页的html源码
问题：
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：
view plaincopyprint?
[*]import urllib2,urllib
[*]headers = { #伪装为浏览器抓取
[*] '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()
更复杂的情况（需要登录，多线程抓取）可参考：http://www.pythonclub.org/python-network-application/observer-spider
2、抓取网页中的中文为乱码问题
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，但是实际上用到了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了。所以解决此类问题分两种情况。
1)、若网页的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
view plaincopyprint?
[*]import urllib,urllib2,bs4
[*]req = urllib2.Request(url)
[*]content = urllib2.urlopen(req).read()
[*]content = bs4.BeautifulSoup(content)
[*]return 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
view plaincopyprint?
[*]import urllib,urllib2,bs4
[*]
[*]req = urllib2.Request(url)
[*]content = urllib2.urlopen(req).read()
[*]content = bs4.BeautifulSoup(content,from_encoding='GB18030')
[*]return content
详细的中文乱码问题分析参见：http://againinput4.blog.163.com/blog/static/1727994912011111011432810/
2、用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一种
view plaincopyprint?
[*]import urllib
[*]urllib.urlretrieve(url, filepath)
url为下载链接，filepath即为存放的文件路径 文件名
更多Python下载文件方法参见：http://outofmemory.cn/code-snippet/83/sanzhong-Python-xiazai-url-save-file-code
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：
view plaincopyprint?
[*]import re
[*]content = ''
[*]match = re.compile(r'(?<=href=["]).*?(?=["])')
[*]rawlv2 = re.findall(match,content)
用re.compile()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：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
或 http://wiki.ubuntu.org.cn/Python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re.compile('\\\\')，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re.compile(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：我想要匹配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
re.compile(r'.htm|.mid$')
匹配的就是以.htm或.mid结尾的模式，注意没有'&'逻辑运算符
3、使用BeautifulSoup分析网页
BeautifulSoup是Python的一个插件，用于解析HTML和XML，是替代正则表达式的利器，下文讲解BS4的安装过程和使用方法
1、安装BS4
下载地址：http://www.crummy.com/software/BeautifulSoup/#Download
下载 beautifulsoup4-4.1.3.tar.gz，解压：linux下 tar xvf beautifulsoup4-4.1.3.tar.gz，win7下直接解压即可
linux:
进入目录执行：
1, python setup.py build
2, python setup.py install
或者easy_install BeautifulSoup
win7:
cmd到控制台 -> 到安装目录 -> 执行上面两个语句即可
2、使用BeautifulSoup解析网页
本文只介绍一些常用功能，详细教程参见BeautifulSoup中文文档：http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html
1)、包含包：import bs4
2)、读入：
view plaincopyprint?
[*]req = urllib2.Request(url)
[*]content = urllib2.urlopen(req).read()
[*]content = bs4.BeautifulSoup(content,from_encoding='GB18030')
3)、查找内容
a、按html标签名查找：
frameurl = content.findAll('frame')
framurl为存储所有frame标签内容的列表，例如frame 为 tops.htm">
b、按标签属性查找
frameurl = content.findAll(target=True)
查找所有含target属性的标签
frameurl = content.findAll(target=‘m_rbottom’)
查找所有含target属性且值为'm_rbottom'的标签
c、带有正则表达式的查找
rawlv2 = content.findAll(href=re.compile(r'.htm$'))
查找所有含href属性且值为以'.htm'结尾的标签
d、综合查找
frameurl = content.findAll('frame',target=‘rtop’)
查找所有frame标签，且target属性值为'rtop'
4)、访问标签属性值和内容
a、访问标签属性值
view plaincopyprint?
[*]rawlv2 = content.findAll(href=re.compile(r'.htm$'))
[*]href = rawlv2['href']
通过[属性名]即可访问属性值，如上式返回的便是href属性的值
b)、访问标签内容
view plaincopyprint?
[*]rawlv3 = content.findAll(href=re.compile(r'.mid$'))
[*]songname = str(rawlv3.text)
上式访问了(内容)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.com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
view plaincopyprint?
[*]"font-size:14px;">#-*- coding:utf-8 -*- #允许文档中有中文
[*]import 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 = 'http://www.dugukeji.com/'
[*]databasepath = './midi/linklist'
[*]path = './midi/dugukeji/'
[*]totalresult = {}
[*]oriresult = {}
[*]
[*]def crawl(url):
[*] headers = { #伪装为浏览器抓取
[*] '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 content
[*]
[*]
[*]def crawlframe(sourceurl,target):
[*] global indexurl
[*] content = crawl(sourceurl)
[*] #match = re.compile(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['src']
[*] return result
[*]
[*]def crawllv1(frameurl,st=-1,en=-1):
[*] global indexurl
[*] content = crawl(frameurl)
[*] #match = re.compile(r'(?<=href=["]).*?(?=["])')
[*] #rawlv2 = re.findall(match,content)
[*] rawlv2 = content.findAll(href=re.compile(r'.htm$'))
[*] result = []
[*] if st==-1 and en==-1:
[*] for i in range(len(rawlv2)):
[*] result.append(indexurl rawlv2['href'])
[*] else:
[*] for i in range(st,en):
[*] result.append(indexurl rawlv2['href'])
[*] #dele = []
[*] #for i in range(len(result)):
[*] # if result[-4:]!='.htm' and result[-5:]!='.html':
[*] # dele.append(i)
[*]# else:
[*]# result=indexurl result
[*]# if len(dele)>0:
[*]# for deli in dele:
[*]# del result
[*]
[*] #result.sort()
[*] return result
[*]
[*]def crawllv2(lv2url):
[*] global indexurl
[*] content = crawl(lv2url)
[*] #match = re.compile(r'(?<=href=["]\.\.\/).*?[">].*?(?=[<])')
[*] #rawlv3 = re.findall(match,content)
[*] rawlv3 = content.findAll(href=re.compile(r'[..].*?.htm|.mid$'))
[*] #print rawlv3
[*] result = {} #结果字典，key：链接，value：歌曲名
[*] for i in range(len(rawlv3)):
[*] tmp = str(rawlv3['href'])
[*] #print tmp
[*] link = indexurl tmp'..') 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=re.compile(r'.mid$'))
[*] if not rawlv4: #4级页没有.mid下载链接，略过
[*] continue
[*] else:
[*] tmp = str(rawlv4['href'])
[*] link = indexurl tmp'..') 3:]
[*]
[*] songname = str(rawlv3.text) #将unicode类型的text转化为string
[*] #songname.decode('GBK')
[*] #songname.encode('utf-8')
[*] songname = songname.replace(' ','_') #将songname中空格和换行转化为下划线
[*] songname = songname.replace('\n','_') #原来存在的链接，直接略过
[*] if oriresult.has_key(link):
[*] continue
[*] if totalresult.has_key(link) and len(songname)#如果链接已保存且歌曲名长度比当前的长，略过
[*] continue
[*] else:
[*] totalresult = songname
[*] result = songname #加入字典
[*] #result.sort()
[*] return result
[*]
[*]def download(totalresult):
[*] for link in totalresult.keys():
[*] filepath = path totalresult '.mid'
[*] print 'download: ',link,' -> ',filepath,'\n'
[*] urllib.urlretrieve(link, filepath)
[*]
[*]
[*]def readdata(databasepath):
[*] datafile = open(databasepath,'r') #读数据文件
[*] link = datafile.readline()
[*] while link:
[*] oriresult=''
[*] link = datafile.readline()
[*] 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()
[*]
[*]if __name__ == '__main__':
[*] try:
[*] readdata(databasepath) #访问文件，记录已下载的链接
[*] except:
[*] print 'WARNING:read database file failed!\n'
[*] else:
[*] print 'There is ',len(oriresult),' links in database.\n'
[*]
[*] try:
[*] frameurl1 = crawlframe(indexurl,'rtop') #抓取主页中一级页url所在frame的url
[*] except:
[*] print 'WARNING: crawl lv1 frameurl failed!\n'
[*] try:
[*] urllv1 = crawllv1(frameurl1,4,20) #抓取一级页url
[*] except:
[*] print 'WARNING: crawl lv1 url failed!\n'
[*]
[*] for i in urllv1:
[*] print 'lv1 url:',i
[*] try:
[*] frameurl2 = crawlframe(i,'rbottom') #抓取一级页中二级页url所在frame的url
[*] except:
[*] print 'WARNING: crawl lv2 frameurl failed!\n'
[*] else:
[*] print '\tlv2 frameurl:',frameurl2
[*] try:
[*] urllv2 = crawllv1(frameurl2) #抓取二级页url
[*] except:
[*] print 'WARNING: crawl lv2 url failed!\n'
[*] else:
[*] for j in urllv2:
[*] print '\t\tlv2 url:',j
[*] try:
[*] urllv3 = crawllv2(j)
[*] except:
[*] print 'WARNING: crawl lv3 url failed!\n'
[*] else:
[*] for k in urllv3.keys():
[*] print '\t\t\tlv3 url:',k,'\tname:',urllv3
[*] #download(urllv3)
[*]
[*] print 'new added midi num:',len(totalresult)
[*] print '\nbegin to download...\n'
[*] download(totalresult)
[*] print '\nWrite database...\n'
[*] writedata(databasepath)
[*] print '\n\nDone!\n'
[*]
[*]"""
[*]url = 'http://www.dugukeji.com/'
[*]req = urllib2.Request(url)
[*]response = urllib2.urlopen(req).read()
[*]response = unicode(response,'GBK').encode('UTF-8')
[*]print response
[*]"""
页:
[1]