Python爬虫之静态页面爬取

青旅半醒 2022-06-05 03:50 342阅读 0赞

## Python爬虫之静态页面爬取 ##

### 前言 ###

`Python`语言代码简短，功能精悍。如`Python`之父所言 “人生苦短，我用Python” 。所以Python语言写爬虫具有其他语言比不了的优势。Python简直为爬虫而生。

在写爬虫程序之前，先说下爬虫程序的步骤，爬虫程序一般分为以下几步：

*  **1. 明确爬虫需求**
    
     *  **1.1 需求分析**
 *  **2. 选择爬虫框架**
    
     *  **2.1 框架简介**
 *  **3. 编写爬虫程序**
    
     *  **3.1 抓取网页数据**
     *  **3.2 清洗网页数据**（通过规则获取网页数据）
     *  **3.3 保存数据**

--------------------

### 1. 明确爬虫需求 ###

本文需要爬取的网站是：`http://www.jandan.net/ooxx`

需要爬取的内容是：爬取该网站的美女图片。

#### 1.1 需求分析 ####

首先我们打开需要爬取的网站，选中一张美女图片，点击鼠标右键，选中检查，查看这张图片在html页面的位置。打开浏览器`xpath-helper`插件（没安装该插件可以通过浏览器应用安装），如下图所示：

![image][]

通过使用`xpath`语法进行规则匹配，查找到我们想要的资源图片。同时我们也需要爬取下一页的图片数据，通过xpath语法找到下一页的url，加载下一页数据。所以我们需要采用递归的方式一页一页的爬取图片数据。

--------------------

### 2. 爬虫框架的选择 ###

本文采用`Python3.6`版本开发环境。

网络请求框架使用：`urllib`

html页面解析框架使用：`lxml`和`xpath`语法

最后将爬取的数据保存到本地文件。

#### 2.1 框架简介 ####

*  **urllib 框架**
    
    `urllib`是`Python3.0`的一个`http`网络请求框架，是系统的框架，功能比较强大。
    
    **urllib**类库包含四个模块：`request`模块，`parse`模块，`error`模块，`robotparser`模块。
    
    我们一般常用的是**urllib.request**模块。下面介绍一下request模块的常用api：
    
     *  **urlopen**()：请求url的方法，参数比较多，如下：
    
        urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,
                *, cafile=None, capath=None, cadefault=False, context=None)
        
        1. url：可以是一个string或者是一个Request对象。（重点）
        
        2. data：默认是None。（重点）
            如果传参需要传入dict字典类型。提供数据参数时，HTTP请求将是POST而不是GET
            data应该使用application / x-www-form-urlencoded格式，需要urllib.parse.urlencode()进行编码。
        
        3. timeout：超时时间
        
        4. cafile：cafile应指向包含一系列CA证书的单个文件
        
        5. capath：capath应指向散列证书文件的目录
        
        6. cadefault：参数是否被忽略
        
        7. context：如果指定了上下文，则它必须是描述各种SSL选项的ssl.SSLContext实例。
        
        
        urlopen()返回的一个上下文的管理对象，对于http，https,返回的是一个http.client.HTTPResponse对象。
    
     *  **HTTPResponse**对象
    
        HTTPResponse对象，将响应的数据封装起来，常用的方法有：
        
        response.geturl()：返回检索资源的URL，通常用于确定是否遵循重定向
        
        response.code()：返回的是响应码
        
        response.msg：返回的是响应信息
        
        response.info()：返回的是响应头信息
        
        response.read()：读取响应的数据，响应体
    
    详细API可看下面官方文档：
    
    [urllib官网文档][urllib]
    
    [HTTPResponse官网文档][HTTPResponse]
 *  `lxml`类库和`xpath`语法
    
    lxml类库是一个Html/XML的解析器，主要功能是如何解析和提取HTML/XML数据。
    
     *  **lxml的安装**
    
        pip install lxml
    
     *  **lxml的api介绍**
    
    `lmxl`借助`etree`模块，来处理xml和html的数据。如下所示：
    
        # 1. 将html页面数据转成ElementTree对象
        
        tree = etree.HTML(text) 
        
        
        # 2. 解析一个html文件，返回一个ElementTree对象
        
        tree = etree.parse('xxxx.html')
        
        
        # 3. 通过xpath语法解析规则，解析ElementTree对象
        
        
        # 参数rule是xpath解析html的规则（具体参考xpath语法文档）。
        
        
        # 返回一个结果集（结果集有可能是Element的list集合，也有可能是字符串的list结合）
        
        results = tree.xpath(rule)
        
        
        # 4. 将Element/ElementTree对象转成html的文本信息，返回一个文本信息
        
        etree.tostring(element)
        
        
        # 5. 获取Element对象（html标签）的文本信息
        
        str = element.text
    
    文档参考：
    
    [lxml官方文档][lxml]
    
    [xpath语法文档][xpath]

--------------------

### 3. 编写爬虫程序 ###

我们明确需求，选择好框架后，就开始编写爬虫程序了，我们将爬虫程序分为3步，抓取数据，清洗数据，保存数据。  
为了代码能很好的复用，我们把它封装成一个类`JanDanSpider`。定义3个方法，`load_page()` , `parse_page()` , `load_image()`, 如下：

class JanDanSpider(object):
    
        def __init__(self):
            pass
    
        def load_page(self):
            pass
    
        def parse_page(self):
            pass
    
        def load_image(self):
            pass

#### 3.1 抓取网页数据 ####

通过urllib.request模块，请求url链接，返回响应的内容。因为我们需要递归解析页面，以及加载图片，所有将请求的方法提取出来，封装成一个`get_response()`方法，具体如下：

import urllib.request
    
    class JanDanSpider(object):
    
        def __init__(self):
            pass
    
        def get_response(self , url):
    
            # 修改http的headers的User-Agent头字段，如果不修改，默认是Python-urllib/3.6
            # 如果使用默认的User-Agent,这样就直接暴露这是一个爬虫程序，就容易导致ip被封。
            headers = {
                "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36"
            }
    
            # 通过Request获取一个请求对象request
            request = urllib.request.Request(url, headers = headres)
    
            # 发送请求，返回一个响应对象response 
            response = urllib.request.urlopen(request)
    
            # 将服务端返回的数据返回出去
            return response.read()
    
    
        def load_page(self , url):
            # 1. 调用get_response方法，获取网页数据
            response  = self.get_response(url)
    
            # 2. ... 下面继续
    
        def parse_page(self):
            pass
    
        def save_image(self):
            pass

#### 3.2 清洗网页数据 ####

当我们获取网页返回的响应数据，接下来就是使用`lxml`和`xpath`规则解析网页的数据。

在”[http://www.jandan.net/ooxx][http_www.jandan.net_ooxx]“网页中，有2种图片，一种是正常显示出来的normal图片，一种是大图，需要点击查看大图才能看到。除此之外，我们还需要解析出上一页的页面的url。

因为解析的方法都是一致的，只是rule的规则不同，返回的数据不同，所以我们将复用解析方法。传入rule参数。

import urllib.request
    from lxml import etree
    
    class JanDanSpider(object):
    
        def __init__(self):
    
            # 大图的xpath解析规则
            self.rule_large = "//ol[@class='commentlist']/li//a[@class='view_img_link']/@href"
            # 正常图的xpath解析规则
            self.rule_normal = "//ol[@class='commentlist']/li//img/@src"
            # 上一页的xpath解析规则
            self.rule_pre_page = "//div[@class='comments']//a[@class='previous-comment-page']/@href"
    
    
        def load_page(self , url):
    
            # 获取服务端的响应数据
            text = self.get_response(url)
    
            # 通过大图的解析规则，处理大图的结果集
            self.deal_images(self.parse_page(text, self.rule_large))
            # 通过正常图的解析规则，处理正常图的结果集
            self.deal_images(self.parse_page(text, self.rule_normal))
            # 通过上一页的解析规则，处理上一页的结果集
            self.deal_pre_page(self.parse_page(text, self.rule_pre_page))
    
    
        def parse_page(self, text, rule):
            """ 解析页面 :param text: 服务端返回的数据 :param rule: 解析规则 :return: 返回解析页面的结果 """
            # 通过etree库，将服务端返回的页面数据封装成ElementTree对象
            tree = etree.HTML(text)
            # 通过xpath规则(rule)解析ElementTree对象，返回数据列表
            return tree.xpath(rule)
    
    
        def deal_images(self, images):
            """ 处理页面解析获得的图片 :param images: 解析页面返回的图片集合 :return: """
            if images is not None:
                # 遍历数据列表
                for image in images:
                    if 'http:' not in image:
                        # 拼接图片的url
                        image = 'http:' + image
                    print(image)
                    # 下载图片
                    self.load_image(image)
    
    
        def deal_pre_page(self, results):
            """ 处理下一页 :param results: 解析页面结果 :return: """
            if results is not None:
                # 因为在页面有2处，解析有2个一样的地址
                if len(results) > 0:
                    # 取第一个
                    url = results[0]
                    if self.host in url:
                        if 'http:' not in url:
                            # 拼接字符串
                            url = 'http:' + url
                            # 加载下一个页面
                            self.load_page(url)
    
    
        def load_image(self, image_url):
            pass

#### 3.3 保存数据 ####

最后获取的数据，是图片的url链接，我们需要将url链接下载对应的图片，并保存到本地。

class JanDanSpider(object):
    
        def load_image(self, image_url):
            """ 下载图片 :param image_url: 图片的url :return: """
            with open(self.create_filename(image_url), 'wb')as f:
                f.write(self.get_response(image_url))
    
    
        def create_filename(self, image_url):
            """ 通过图片的url来确定存储路径 :param image_url: 图片的url :return: """
            results = image_url.split('/')
            if 'large' in image_url:
                filename = 'image/large/' + results[-1]
            else:
                filename = 'image/normal/' + results[-1]
            return filename

最后我们调用爬虫程序，然后运行：

if __name__ == 'main':
        # 爬取的网站
        url = "http://jandan.net/ooxx"
        spider = JanDanSpider()
        spider.load_page(url)

运行输出的图片url，如图：

![image][image 1]

具体代码，可参见我的github , [GitHub项目地址][GitHub]。

[image]: https://raw.githubusercontent.com/zhang3550545/image_center/master/image/xpath3.png
[urllib]: https://docs.python.org/3.4/library/urllib.html
[HTTPResponse]: https://docs.python.org/3.4/library/http.client.html#http.client.HTTPResponse
[lxml]: http://lxml.de/index.html#documentation
[xpath]: http://www.w3school.com.cn/xpath/xpath_syntax.asp
[http_www.jandan.net_ooxx]: http://www.jandan.net/ooxx
[image 1]: https://raw.githubusercontent.com/zhang3550545/image_center/master/image/jandan-spider.png
[GitHub]: https://github.com/zhang3550545/xpath-spider/tree/master/jandan