Python实现简易Web爬虫详解

简介：

网络爬虫（又被称为网页蜘蛛)，网络机器人，是一种按照一定的规则，自动地抓信息的程序或者脚本。假设互联网是一张很大的蜘蛛网，每个页面之间都通过超链接这根线相互连接，那么我们的爬虫小程序就能够通过这些线不断的搜寻到新的网页。

Python作为一种代表简单主义思想的解释型、面向对象、功能强大的高级编程语言。它语法简洁并且具有动态数据类型和高层次的抽象数据结构，这使得它具有良好的跨平台特性，特别适用于爬虫等程序的实现，此外Python还提供了例如Spyder这样的爬虫框架，BeautifulSoup这样的解析框架，能够轻松的开发出各种复杂的爬虫程序。

在这篇文章中，使用Python自带的urllib和BeautifulSoup库实现了一个简单的web爬虫，用来爬取每个URL地址及其对应的标题内容。

流程：

爬虫算法从输入中读取的一个URL作为初始地址，向该地址发出一个Request请求。

请求的地址返回一个包含所有内容的，将其存入一个String变量，使用该变量实例化一个BeautifulSoup对象，该对象能够将内容并且将其解析为一个DOM树。

根据自己的需要建立正则表达式，最后借助HTML标签从中解析出需要的内容和新的URL，将新的放入队列中。

对于目前所处的URL地址与爬去的内容，在进行一定的过滤、整理后会建立索引，这是一个单词-页面的存储结构。当用户输入搜索语句后，相应的分词函数会对语句进行分解获得关键词，然后再根据每个关键词查找到相应的URL。通过这种结构，可以快速的获取这个单词所对应的地址列表。在这里使用树形结构的存储方式，Python的字典和列表类型能够较好的构建出单词词典树。

从队列中弹出目前的URL地址，在爬取队列不为空的条件下，算法不断从队列中获取到新的网页地址，并重复上述过程。

实现：

环境：

Python3.5orAnaconda3

BeautifulSoup4

可以使用下面的指令安装BeautifulSoup4，如果你是Ubuntu用户，记得在命令前面加上sudo：

pip install beautifulsoup4

程序分别实现了几个类，分别用于URL地址管理，Html内容请求、Html内容解析、索引建立以及爬虫主进程。我将整个程序按照每个Class分开解释，最后只要将他们放在一起就可以执行代码了。

UrlManager类

这个类用来管理URL地址，new_urls用来保存还未爬取的URL地址，old_urls保存了已经爬取过的地址，两个变量都使用set类型保证其中内容的唯一性。每次循环时，add_new_urls()向外提供了向new_urls变量中添加新urls的方法；add_new_url()方法，对每个url地址进行重复性检查，符合条件的才进行添加操作；get_urls()向外提供了获取新的url地址的方法；has_new_url()方法用来检查爬取队列是否为空。

import re
import urllib.request
import urllib.parse
from bs4 import BeautifulSoup

class UrlManager(object):
 def __init__(self):
   self.new_urls = set()
   self.old_urls = set()

def add_new_url(self, url):
   if url is None:
     return
   if url not in self.new_urls and url not in self.old_urls:
     self.new_urls.add(url)

def add_new_urls(self, urls):
   if urls is None or len(urls) == 0:
     return
   for url in urls:
     self.add_new_url(url)

def has_new_url(self):
   return len(self.new_urls) != 0

def get_new_url(self):
   new_url = self.new_urls.pop()
   self.old_urls.add(new_url)
   return new_url

HtmlDownloader类

这个类实现了向url地址发送Request请求，并获取其回应的方法，调用类内的download()方法就可实现。这里要注意的是页面的编码问题，这里我使用的是UTF-8来进行decode解码，有的网页可能使用的是GBK编码，要根据实际情况进行修改。

class HtmlDownloader(object):
 def download(self, url):
   if url is None:
     return None
   try:
     request = urllib.request.Request(url)
     response = urllib.request.urlopen(request)
     content = response.read().decode('utf-8').encode('utf-8')
     if content is None:
       return None
     if response.getcode() != 200:
       return None
   except urllib.request.URLError as e:
     print(e)
     return None

return content

HtmlParser类

这个类通过实例化一个BeautifulSoup对象来进行页面的解析。它是一个使用Python编写的HTML/XML文档解析器。它通过将文档解析为DOM树的方式为用户提供需要抓取的数据，并且提供一些简单的函数用来处理导航、搜索、修改分析树等功能。

该类的关键是_get_new_urls()、_get_new_content()、get_url_title()三个方法。第一个方法用来解析出页面包含的超链接，最为重要的选择要解析的标签并为其构造合适的正则表达式。这里我为a标签定义了一个匹配正则，用来获取所有的站内链接，如下：

links = soup.find_all('a', href=re.compile(r'^(％s).*(/|html)$' ％ self.domain))`

后面的两个类都是通过解析Html标签来获取title的方法，最终在parse()中通过调取_get_new_content()来获得title内容。具体的标签访问方法不细谈了，读者可以自己翻阅BeautifulSoup的官方文档。

class HtmlParser(object):
 def __init__(self, domain_url):
   self.domain = domain_url
   self.res = HtmlDownloader()

def _get_new_urls(self, page_url, soup):
   new_urls = set()
   links = soup.find_all('a', href=re.compile(r'^(％s).*(/|html)$' ％ self.domain))

try:
     for link in links:
       new_url = link['href']
       new_full_url = urllib.parse.urljoin(self.domain, new_url)
       new_urls.add(new_full_url)

new_urls = list(new_urls)
     return new_urls
   except AttributeError as e:
     print(e)
     return None

def _get_new_content(self, page_url, soup):
   try:
     title_name = soup.title.string
     return title_name
   except AttributeError as e:
     print(e)
     return None

def get_url_title(self):
   content = self.res.download(self.domain)

try:
     soup = BeautifulSoup(content, 'html.parser', from_encoding='utf-8')
     title_name = soup.title.string
     return title_name
   except:
     title_name = 'None Title'
     return title_name

def parse(self, page_url, html_cont):
   if page_url is None or html_cont is None:
     return None

soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
   new_data = self._get_new_content(page_url, soup)
   new_urls = self._get_new_urls(page_url, soup)

return new_urls, new_data

BuildIndex

该类为每个URL地址与他的标题包含的关键词建立了一个索引关系并保存在一个Dict变量中，每个标题对应多个关键词，每个标题也对应多个url地址，因此每个关键词也对应了多个url地址，具体的形式如下：

index={'keyword':[url1,url2,...,urln],...}

其中，add_page_index()方法对每个标题进行了分词处理，并且调用了add_key_index()方法将keyword-url的对应关系存到索引中，这其中也进行了重复检查。主意，这个分词方法仅限于英文句子，中文的话需要用到特定的分词工具。

class BuildIndex(object):
 def add_page_index(self, index, url, content):
   words = content.split()
   for word in words:
     index = self.add_key_index(index, url, word)
   return index

def add_key_index(self, index, url, keyword):
   if keyword in index:
     if url not in index[keyword]:
       index[keyword].append(url)
   else:
     temp = []
     index[keyword] = temp
     index[keyword].append(url)
   return index

SpiderMain

这是爬虫的主题类，它通过调用其他几个类生成的对象来实现爬虫的运行。该类实例化的时候会永久生成上面几个类的对象，当通过craw()方法获取到用户提供的url地址时，就会依次进行请求、下载、解析、建立索引的工作。最后该方法会返回index，graph两个变量，他们分别是：

每个关键词集齐对应的地址，keyword-urls索引，如下

index={'keyword':[url1,url2,...,urln],...}

每个url及其页面中包含的urls，url-suburls索引，如下

graph={'url':[url1,url2,...,urln],...}

class SpiderMain(object):
 def __init__(self, root_url):
   self.root_url = root_url
   self.urls = UrlManager()
   self.downloader = HtmlDownloader()
   self.parser = HtmlParser(self.root_url)
   self.build = BuildIndex()

def craw(self):
   index = graph = {}
   self.urls.add_new_url(self.root_url)
   while self.urls.has_new_url():
     try:
       new_url = self.urls.get_new_url()
       html_cont = self.downloader.download(new_url)
       new_urls, new_title = self.parser.parse(new_url, html_cont)
       index = self.build.add_page_index(index, new_url, new_title)
       graph[new_url] = list(new_urls)
       self.urls.add_new_urls(new_urls)
     except Exception as e:
       print(e)
       return None

return index, graph

最后，我们在程序中添加下面的代码，就可以成功的执行我们的爬虫了

if __name__ == '__main__':
 spider = SpiderMain('http://www.xael.org/')
 index, graph = spider.craw()
 print(index)
 print(graph)

来源：https://www.jianshu.com/p/4231173ccc83