【python爬虫】根据查询词爬取网站返回结果

vivion34

　　最近在做语义方面的问题，需要反义词。就在网上找反义词大全之类的，但是大多不全，没有我想要的。然后就找相关的网站，发现了http://fanyici.xpcha.com/5f7x868lizu.html，还行能把“老师”-“学生”，“医生”-“病人”这样对立关系的反义词查出来。

　　一开始我想把网站中数据库中存在的所有的词语都爬出来（暗网爬虫），但是分析了url的特点：
　　http://fanyici.xpcha.com/5f7x868lizu.html
　　查询词和非阴影部分的剩余的7个位置有关，如果暴力破解的发，总共（26+10）^7=78364164096~780亿个url有很多没用的。写了个爬虫爬，感觉太慢了，暂时放弃了这种想法，想用模拟浏览器的方式，根据查询词的存储查询结果。在网上找了很多资料，终于搞定。
　　
　　使用的是mechanize模块，它是非常适合的模拟浏览器模块。可以利用该模块完成一些浏览器想要做的事，比如自动填写表单。主要特点：

• http,https协议等
  
• 简单的HTML表单填写
  
• 浏览器历史记录和重载
  
• Referer的HTTP头的正确添加（可选）
  
• 自动遵守robots.txt的
  
• 自动处理HTTP-EQUIV和刷新
  

　　下面以解决该问题为导向，记录下完成步骤
　　0. 预备
　　环境：linux  python 2.7
　　安装模块：mechanize cookielib BeautifulSoup
　　
　　1. 初始化并建立一个浏览器对象



import re
import sys
import mechanize
import cookielib
from  bs4 import BeautifulSoup
br = mechanize.Browser()        ##建立浏览器对象
cj = cookielib.LWPCookieJar()   ##通过导入cookielib模块，并设置浏览器cookie，可以在需要认证的网络行为之后不用重复认证登陆
br.set_cookiejar(cj)        ##关联cookies  

###设置一些参数，因为是模拟客户端请求，所以要支持客户端的一些常用功能，比如gzip,referer等
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)


###这个是degbug##你可以看到他中间的执行过程，对调试代码有帮助
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
br.set_debug_http(True)
br.set_debug_redirects(True)
br.set_debug_responses(True)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]
　　
　　2. 模拟浏览器的行为（获取web网页模拟网站查询）



r = br.open(sys.argv[1])
query = sys.argv[2]

br.select_form(nr=0)
br.form['q'] = query
br.submit()
html = br.response().read()
　　这里选择的表单是nr=0，可以通过一下方式获取表单信息，从而利用需要的表单号。



for f in br.forms:
print f
　　查询词变量是’q’，是通过分析网站的源码获得，如下图

　　
　　3. 解析需要的内容
　　这里利用了BeautifulSoup模块，更详细看这里



def parseHtml(html):
'''
@summary: 抓取结构化数据
'''
content = ""
wordpattern = '(.+?)的反义词'
pattern = '(.+?)'
temp = re.findall(pattern, html)
wordtemp = re.search(wordpattern, html)
if temp:
word = wordtemp.group(1)
content = word + '\t'
for key in temp:
content += key + '\t'
content = content.strip('\t')
return content
　　这样实现基本的功能可以了，参考代码（文件名为:crawler.py）



#! coding:utf-8
import re
import sys
import mechanize
import cookielib
from  bs4 import BeautifulSoup
def parseHtml(html):
'''
@summary: 抓取结构化数据
'''
content = ""
wordpattern = '(.+?)的反义词'
pattern = '(.+?)'
temp = re.findall(pattern, html)
wordtemp = re.search(wordpattern, html)
if temp:
word = wordtemp.group(1)
content = word + '\t'
for key in temp:
content += key + '\t'
content = content.strip('\t')
return content
def saveData(data):
'''
@summary: 数据存储
'''
f = open('test', 'w')
f.write(data)
f.close()
br = mechanize.Browser()
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)##关联cookies
###设置一些参数，因为是模拟客户端请求，所以要支持客户端的一些常用功能，比如gzip,referer等
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
###这个是degbug##你可以看到他中间的执行过程，对你调试代码有帮助
br.set_debug_http(True)
br.set_debug_redirects(True)
br.set_debug_responses(True)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]
r = br.open(sys.argv[1])
query = sys.argv[2]

br.select_form(nr=0)
br.form['q'] = query
br.submit()
html = br.response().read()
data = parseHtml(html)
print data
if data != "":
saveData(data)
　　使用



python crawler.py  好
　　说明：最后一个为查询词，最终写到文件”test“中。
　　
　　参考
　　http://blog.chinaunix.net/uid-26722078-id-3507409.html