在爬虫系统中,待抓取URL队列是很重要的一部分。待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题,因为这涉及到先抓取那个页面,后抓取哪个页面。而决定这些URL排列顺序的方法,叫做抓取策略。下面重点介绍几种常见的抓取策略:
1 深度优先遍历策略:
深度优先遍历策略是指网络爬虫会从起始页开始,一个链接一个链接跟踪下去,处理完这条线路之后再转入下一个起始页,继续跟踪链接。我们以下面的图为例:遍历的路径:A-F-G E-H-I B C D
#深度抓取url,递归的思路
import requests
import re
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
def getURL(url):
html = getHTML(url)
# <a asd asdf href="www/s?wd=%E5%B2%9B%E5%9B%azi" dsgfa asdf >岛国大片 留下邮箱</a>
urlre = "<a .*href=\"(.*?)\".*?>"
urlList = re.findall(urlre, html)
return urlList
def getHTML(url):
html = requests.get(url, headers=headers).text
return html
def getEmail():
#功能块
def deepSpider(url, depth):
print("\t\t\t" * depthDict[url], "抓取了第%d:%s页面" % (depthDict[url], url))
# 超出深度结束
if depthDict[url] >= depth:
return
# 子url
sonUrlList = getURL(url)
for newUrl in sonUrlList:
# 去重复兵去除非http链接
if newUrl.find("http") != -1:
if newUrl not in depthDict:
# 层级+1
depthDict[newUrl] = depthDict[url] + 1
# 递归及
deepSpider(newUrl, depth)
if __name__ == '__main__':
# 起始url
startUrl = "https://www.baidu.com/s?wd=岛国邮箱"
# 层级控制
depthDict = {}
depthDict[startUrl] = 1 # {url:层级}
deepSpider(startUrl, 4) #调用函数deepSpider
深度遍历,栈思路
import requests
import re
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
def getURL(url):
html = getHTML(url)
# <a asd asdf href="www/s?wd=%E5%B2%9B%E5%9B%azi" dsgfa asdf >岛国大片 留下邮箱</a>
urlre = "<a .*href=\"(.*?)\".*?>"
urlList = re.findall(urlre, html)
return urlList
def getHTML(url):
html = requests.get(url, headers=headers).text
return html
def vastSpider(depth):
'''
深度抓取方式二,栈实现(先进后出)
:param depth:深度
:return:
'''
# 是否为空
while len(urlList) > 0: #while urlList:
url = urlList.pop() #关键取最后一个(先进后出)
print('\t\t\t' * depthDict[url], "抓取了第%d层:%s" % (depthDict[url], url))
# 层级控制
if depthDict[url] < depth:
# 生成新url
sonUrlList = getURL(url)
for newUrl in sonUrlList:
# 去重复及去非http链接
if newUrl.find("http") != -1:
if newUrl not in depthDict:
depthDict[newUrl] = depthDict[url] + 1
# 放入待爬取栈
urlList.append(newUrl)
if __name__ == '__main__':
# 起始url
startUrl = "https://www.baidu.com/s?wd=岛国邮箱"
# 层级控制
depthDict = {}
depthDict[startUrl] = 1
# 待爬取栈(栈实际就是列表)
urlList = []
urlList.append(startUrl)
vastSpider(4)
2 广度优先遍历策略
宽度优先遍历策略的基本思路是,将新下载网页中发现的链接直接**待抓取URL队列的末尾。也就是指网络爬虫会先抓取起始网页中链接的所有网页,然后再选择其中的一个链接网页,继续抓取在此网页中链接的所有网页。还是以上面的图为例:遍历路径:A-B-C-D-E-F-G-H-I
#采用队列思路,先进后出
import requests
import re
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
def getURL(url):
'''
获取新url
:param url:
:return: urlList
'''
html = getHTML(url)
# <a asd asdf href="www/s?wd=%E5%B2%9B%E5%9B%azi" dsgfa asdf >岛国大片 留下邮箱</a>
urlre = "<a .*href=\"(.*?)\".*?>"
urlList = re.findall(urlre, html)
return urlList
def getHTML(url):
html = requests.get(url, headers=headers).text
return html
def vastSpider(depth):
'''
广度抓取
:param depth:深度
:return:
'''
# 是否为空
while len(urlList) > 0:
url = urlList.pop(0)
print('\t\t\t' * depthDict[url], "抓取了第%d层:%s" % (depthDict[url], url))
# 层级控制
if depthDict[url] < depth:
# 生成新url
sonUrlList = getURL(url)
for newUrl in sonUrlList:
# 去重复及非http链接
if newUrl.find("http") != -1:
if newUrl not in depthDict:
depthDict[newUrl] = depthDict[url] + 1
# 放入待爬取队列
urlList.append(newUrl)
if __name__ == '__main__':
# 起始url
startUrl = "https://www.baidu.com/s?wd=岛国邮箱"
# 层级控制
depthDict = {}
depthDict[startUrl] = 1
# 待爬取队列
urlList = []
urlList.append(startUrl)
vastSpider(4)
3 页面解析与数据提取
一般来讲对我们而言,需要抓取的是某个网站或者某个应用的内容,提取有用的价值。内容一般分为两部分,非结构化的数据 和 结构化的数据。
- 非结构化数据:先有数据,再有结构,
- 结构化数据:先有结构、再有数据
不同类型的数据,我们需要采用不同的方式来处理。
- 非结构化的数据处理
正则表达式
HTML 文件
正则表达式
XPath
CSS选择器
- 结构化的数据处理
JSON Path
转化成Python类型进行操作(json类)
XML 文件
转化成Python类型(xmltodict)
XPath
CSS选择器
正则表达式
4 Beautiful Soup
(1) beautifull soup概述
官方文档地址:http://www.crummy.com/software/BeautifulSoup/bs4/doc/
Beautiful Soup 相比其他的html解析有个非常重要的优势,BeautifulSoup将复杂HTML文档转换成一个复杂的树形结构。html会被拆解为对象处理。全篇转化为字典和数组。
相比正则解析的爬虫,省略了学习正则的高成本.
相比xpath爬虫的解析,同样节约学习时间成本.
安装
#liunx安装
apt-get install python-bs4
#python包安装
pip install beautifulsoup4
每个节点都是Python对象,我们只用根据节点进行查询 , 归纳为4大对象
- Tag #节点类型
- NavigableString # 标签内容
- BeautifulSoup #根节点类型
- Comment #注释
(1) 创建对象:
-
网上文件生成对象
soup = BeautifulSoup(‘网上下载的字符串’, ‘lxml’)
-
本地文件生成对象
soup = BeautifulSoup(open(‘1.html’), ‘lxml’)
(2) tag标签
- 格式化输出
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)
print(soup.prettify()) #html格式化
- 获取指定的tag内容
soup.p.b #获取p标签中b标签
# <b>The Dormouse's story</b>
soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
soup.title #获取title标签
# <title>The Dormouse's story</title>
soup.title.name #获取title标签名
# u'title'
soup.title.string #获取title标签内容
# u'The Dormouse's story'
soup.title.parent.name #获取title的父节点tag的名称
# u'head'
#- 提取tag属性 方法是 soup.tag['属性名称']
<a href="http://blog.csdn.net/watsy">watsy's blog</a>
soup.a['href']
(3)find与find_all
find_all(返回一个列表)
find_all('a') 查找到所有的a
find_all(['a', 'span']) 返回所有的a和span
find_all('a', limit=2) 只找前两个a
find(返回一个对象)
find('a'):只找到第一个a标签
find('a', title='名字')
find('a', class_='名字')
#注意
1. 不能使用name属性查找
2. class_后面有下划线
3.可以使用自定义属性,比如age
def find_all(self, name=None, attrs={}, recursive=True, text=None,limit=None, **kwargs):
tag的名称,attrs属性, 是否递归,text是判断内容 limit是提取数量限制 **kwargs 含字典的关键字参数
print(soup.find('p')) # 第一个p
print(soup.find_all('p')) # 所有的p,列表
print(soup.find_all(['b', 'i'])) #找列表中任意一个
print(soup.find_all('a', attrs={'id': 'link2'})) #限制属性为 id: link2
print(soup.find_all('a', id='link2')) #关键字形式 id=link2
print(soup.find_all('a', limit=2))
#class_属性
print(soup.find_all('a', class_="sister"))
print(soup.find_all('a', text=re.compile('^L')))
tag名称
soup.find_all('b')
# [<b>The Dormouse's story</b>]
正则参数
import re
for tag in soup.find_all(re.compile("^b")): #匹配所有以b开头标签
print(tag.name)
# body
# b
for tag in soup.find_all(re.compile("t")):
print(tag.name)
# html
# title
函数调用
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
# <p class="story">Once upon a time there were...</p>,
# <p class="story">...</p>]
tag的名称和属性查找
soup.find_all("p", "title")
# [<p class="title"><b>The Dormouse's story</b></p>]
tag过滤
soup.find_all("a")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
tag属性过滤
soup.find_all(id="link2")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
text正则过滤
import re
soup.find(text=re.compile("sisters"))
# u'Once upon a time there were three little sisters; and their names were\n'
(4) select 根据选择器–节点对象
element p
.class .firstname
#id #firstname
属性选择器
[attribute] [target]
[attribute=value] [target=blank]
层级选择器
element element div p
element>element div>p
element,element div,p
(5) 节点信息
获取节点内容
obj.string
obj.get_text()【推荐】
节点的属性
tag.name 获取标签名
tag.attrs将属性值作为一个字典返回
获取节点属性
obj.attrs.get('title')
obj.get('title')
obj['title']
5 XPath语法
XPath 使用路径表达式来选取 XML 文档中的节点或节点集
安装导入
import lxml
from lxml import etree
添加插件
chrome插件网:http://www.cnplugins.com/
Ctrl + Shift + X打开或关闭插件
(1) XPath的安装
#安装lxml库
pip install lxml
#导入lxml.etree
from lxml import etree
etree.parse() 解析本地html文件 html_tree = etree.parse('XX.html')
etree.HTML() 解析网络的html字符串 html_tree = etree.HTML(response.read().decode('utf-8')
html_tree.xpath() 使用xpath路径查询信息,返回一个列表
(2) 选取节点
表达式 | 说明 |
---|---|
/bookstore | 选取根元素 bookstore。注释:假如路径起始于正斜杠( / ),则此路径始终代表到某元素的绝对路径! |
bookstore/book | 选取属于 bookstore 的子元素的所有 book 元素。 |
//book | 选取所有 book 子元素,而不管它们在文档中的位置。 |
bookstore//book | 选择属于 bookstore 元素的后代的所有 book 元素,而不管它们位于 bookstore 之下的什么位置。 |
//@lang | 选取名为 lang 的所有属性。 |
bookstore | 选取 bookstore 元素的所有子节点。 |
(3) 选取元素
路径表达式 | 结果 |
---|---|
/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
/bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
//title[@lang=’eng’] | 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。 |
/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。 |
/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。 |
(4) 选取若干路径
通过在路径表达式中使用”|”运算符,您可以选取若干个路径。
路径表达式 | 结果 |
---|---|
//book/title | //book/price | 选取 book 元素的所有 title 和 price 元素。 |
//title | //price | 选取文档中的所有 title 和 price 元素。 |
/bookstore/book/title | //price | 选取属于 bookstore 元素的 book 元素的所有 title 元素,以及文档中所有的 price 元素。 |
print('myetree.xpath(//*[@class="item-0"])') # *所有
print('myetree.xpath(//li[@class="item-0" | //div[@class="item-0"]])') #或运算
(5) XPath语法总结
节点查询
element
路径查询
// 查找所有子孙节点,不考虑层级关系
/ 找直接子节点
谓词查询
//div[@id]
//div[@id="maincontent"]
属性查询
//@class
逻辑运算
//div[@id="head" and @class="s_down"]
//title | //price
模糊查询
//div[contains(@id, "he")]
//div[starts-with(@id, "he")]
//div[ends-with(@id, "he")]
内容查询
//div/h1/text()
(6)XPath示例
htmlFile = '''
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
'''
html = lxml.etree.parse("filename.html") # 读取文件,需要传文件路径
myetree = lxml.etree.HTML(htmltext) # 直接加载,直接加载html文档
ul = myetree.xpath('/html/body/ul') #根节点开始
ul = myetree.xpath('//ul') #所有的ul子孙
ul = myetree.xpath('/html//ul') #html下所有的ul,返回列表
print(html.xpath("//li/@class")) # 取出li的所有节点class名称
print(html.xpath("//li/@text")) # 为空,如果包含这个属性,
print(html.xpath("//li/a")) # li下面5个节点,每个节点对应一个元素
print(html.xpath("//li/a/@href")) # 取出li的所有节点 a内部href名称
print(html.xpath("//li/a/@href=\"link3.html\"")) # 判断是有一个节点==link3.html
print(html.xpath("//li//span")) # 取出li下面所有的span
print(html.xpath("//li//span/@class")) # 取出li下面所有的span内部的calss
print(html.xpath("//li/a//@class")) # 取出li的所有节点内部节点a包含的class
print(html.xpath("//li")) # 取出所有节点li
print(html.xpath("//li[1]")) # 取出第一个,li[下标]从1开始
print(html.xpath("//li[last()]")) # 取出最后一个
print(html.xpath("//li[last()-1]")) # 取出倒数第2个
print(html.xpath("//li[last()-1]/a/@href")) # 取出倒数第2个的a下面的href
print(html.xpath("//*[@text=\"3\"]")) # 选着text=3的元素
print(html.xpath("//*[@text=\"3\"]/@class")) # 选着text=3的元素
print(html.xpath("//*[@class=\"nimei\"]")) # 选着text=3的元素
print(html.xpath("//li/a/text()")) # 取出a标签的文本
print(html.xpath("//li[3]/a/span/text()")) # 取出内部<>数据
实例
爬取照片操作
from lxml import etree
import urllib.request
import urllib.parse
import os
url = 'http://sc.chinaz.com/tupian/shuaigetupian.html'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
}
request = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(request)
# 获取请求到的html字符串
html_string = response.read().decode('utf-8')
# 将html字符串转换成etree结构
html_tree = etree.HTML(html_string)
# 解析名字和图片
src_list = html_tree.xpath('//div[@id="container"]//div[starts-with(@class,"box")]/div/a/img/@src2')
src_name = html_tree.xpath('//div[@id="container"]//div[starts-with(@class,"box")]/div/a/img/@alt')
# 下载到本地
for index in range(len(src_list)):
pic_url = src_list[index]
suffix = os.path.splitext(pic_url)[-1]
file_name = 'images/' + src_name[index] + suffix
urllib.request.urlretrieve(pic_url,file_name) #保存本地图片
bs4 xpath与正则
import requests,re
from bs4 import BeautifulSoup
from lxml import etree
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36"
}
url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E6%9D%AD%E5%B7%9E&kw=python&sm=0&p=1'
#正则
response = requests.get(url,headers=headers).text
print(re.findall('<em>(\d+)</em>',response))
#bs4
soup = BeautifulSoup(response,'lxml')
print(soup.find_all('span',class_='search_yx_tj')[0].em.text)
print(soup.select('span.search_yx_tj > em')[0].get_text())
#xpath
myetree = etree.HTML(response)
print(myetree.xpath('//span[@class="search_yx_tj"]/em/text()'))
xpath综合运用
import re
import lxml
from lxml import etree
import requests
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}
def getCity(url):
'''
获取城市列表
:param url:
:return: 城市列表
'''
response = requests.get(url, headers=headers).content.decode('gbk')
mytree = lxml.etree.HTML(response)
# 城市列表
cityList = mytree.xpath('//div[@class="maincenter"]/div[2]/div[2]//a')
for city in cityList:
# 城市名
cityName = city.xpath('./text()')[0] # 当前
# url
cityurl = city.xpath('./@href')[0]
print(cityName, cityurl)
# 调用获取页面数量方法
getPageNum(cityurl)
def getJobInfo(url):
'''
获取岗位信息
:param url:
:return:
'''
response = requests.get(url, headers=headers).content.decode('gbk')
mytree = lxml.etree.HTML(response)
jobList = mytree.xpath('//div[@class=\'detlist gbox\']/div')
# 保证有数据
if len(jobList) != 0:
for job in jobList:
# 岗位名称
jobName = job.xpath('.//p[@class="info"]/span[1]/a/@title')[0]
# url
joburl = job.xpath('.//p[@class="info"]/span[1]/a/@href')[0]
# 公司名
company = job.xpath('.//p[@class="info"]/a/@title')[0]
# 工作地点
jobAddr = job.xpath('.//p[@class="info"]/span[2]/text()')[0]
# 薪资
jobMoney = job.xpath('.//p[@class="info"]/span[@class="location"]/text()')
if len(jobMoney) == 0:
jobMoney = "面议"
else:
jobMoney = jobMoney[0]
print(jobName, joburl, company, jobAddr, jobMoney)
# 职责
jobResponsibility = job.xpath('.//p[@class="text"]/@title')[0]
print(jobResponsibility)
def getPageNum(url):
'''
获取页面数量
:param url:城市url
:return:
'''
response = requests.get(url, headers=headers).content.decode('gbk')
mytree = lxml.etree.HTML(response)
pageNum = mytree.xpath('//*[@id="cppageno"]/span[1]/text()')[0]
numre = ".*?(\d+).*"
pageNum = re.findall(numre, pageNum)[0]
for i in range(1, int(pageNum) + 1):
newurl = url + 'p%d' % i
# 获取岗位信息
getJobInfo(newurl)
if __name__ == '__main__':
starurl = "https://jobs.51job.com/"
getCity(starurl)