美文网首页
Python爬虫之旅(一):小白也能懂的爬虫入门

Python爬虫之旅(一):小白也能懂的爬虫入门

作者: 码途有道 | 来源:发表于2019-05-10 14:10 被阅读0次

    爬虫是什么

    爬虫就是按照一定的规则,去抓取网页中的信息。爬虫流程大致分为以下几步:

    • 向目标网页发送请求
    • 获取请求的响应内容
    • 按照一定的规则解析返回的响应内容,获得想要的信息
    • 将获取的信息保存下来

    战前准备

    在正式开始前,我们先看下我们需要准备些什么:

    • 开发环境:Python3.6
    • 开发工具:PyCharm
    • 使用框架:requests2.21.0、lxml4.3.3

    以上是本次开发中使用到的东西,使用 PyCharm 在 Python3.6 下开发,开发使用到两个框架 requests 和 lxml,非常简单。

    开战

    创建项目

    • 创建一个 Pure Python(纯净的Python项目) 项目即可,不需要使用其他框架,项目名随意,我在例子中取的是 py-spiderman

      image.png
    • 创建一个python文件,文件名随意,我在例子中取的是 first_spider

      image.png

    安装 requests 和 lxml

    • requests 是 Python 中非常强大的一个网络请求模块,简单易用,
      直接在 PyCharm 的 Terminal 中输入 pip install requests 即可。

      image.png
    • lxml 是我们用来解析请求的响应内容的模块,使用 XPath 语法,非常强大。安装方法同上,在 Terminal 中输入pip install lxml 即可。

    开始编程

    开始编程前,我们先选择一个目标网页,本示例的目标网页是 https://www.archdaily.cn/cn/915495/luo-shan-ji-guo-ji-ji-chang-xin-lu-ke-jie-yun-xi-tong-yi-dong-gong
    我们需要抓取网页中的文章标题、时间、作者以及内容文本信息。

    image.png

    我们在创建的 python 文件中,先导入需要使用到的模块,再创建一个名为 SimpleSpider 的 class,然后在 class 编写爬虫方法

    # 导入系统信息模块,用于获取项目根目录
    import os
    # 导入网络请求库,用于请求目标网页,获取网页内容
    import requests
    # 导入时间库,用于获取当前时间
    from datetime import datetime
    # 导入 lxml 的 etree 模块,用于解析请求返回的 html 
    from lxml import etree
    
    # 创建一个爬虫类
    class SimpleSpider:
    

    发送请求,获取网页内容

    python 中方法使用 def 进行标识,方法前添加双下滑线表示方法为类的私有方法,不得被外部访问。requests 的 get() 方法可以直接向网页发送一个 get 请求,并返回一个 response 对象。

      def __get_target_response(self, target):
            """
            发送请求,获取响应内容
    
            :param target(str): 目标网页链接
            """
            # 向目标 url 发送一个 get 请求,返回一个 response 对象
            res = requests.get(target)
            # 返回目标 url 的网页 html 文本
            return res.text
    

    解析网页内容,获取想要的信息

    在解析响应内容前,我们先使用Chrome浏览器打开目标网页,并打开网页源码,点击键盘的 F12 即可,然后在源码中寻在我们需要的信息,比如说标题,如下图:

    image.png
    image.png

    从图中可知,标题在 header 标签下的 h1 标签中,那么我们如何提取出来呢?这时就需要用到我们导入的 lxml 库中的 etree 模块,那么 etree 如何使用呢?

    • 首先我们先通过 etree.HTML() 的方法创建一个 基于XPath的解析对象,这里如果不懂 XPath 的去花一分钟时间了解下,很简单 。
    dom = etree.HTML(上述方法返回的响应内容文本)
    

    这里的 dom 对象就是将 html 文本转换后的 html 内容元素

    • 然后就可以开始解析了,如下
    title = dom.xpath('//h1/text()')[0]
    

    //h1/text()是一句 XPath语句,//指当前节点下的所有子孙节点,你可以简单的理解为 <html> 标签下的所有节点,//h1 就是指 <html> 节点下的所有 <h1> 标签,h1/text() 则是指 <h1> 标签下的文本内容,但是仅仅是第一层级的文本内容,例:<h1> ABC </h1>h1/text() 值为 ABC,但是 <h1> ABC <span> SS </span></h1>h1/text() 值还是 ABC,而不是 ABCSS,因为 SS 被 <span> 标签包裹,属于第二层级了。

    所以以上 //h1/text() 的意思就是获取 <html> 标签下所有 <h1> 标签下的第一层的文本内容,如果有多个 <h1> 标签就会按 <h1> 标签在 html 中的顺序返回一个文本内容数组。如果只有一个 <h1> 标签,还是返回一个数组,不过里面只有一个文本内容。在当前网页中,只有一个 <h1> 标签,所以返回一个只有一个元素的数组,[0]则表示获取数组中的第一个元素。

    完整的解析代码如下:

        def __parse_html(self, res):
            """
            解析响应内容,使用 XPath 解析 html 文本,并保存
    
            :param res(str): 目标网页的 html 文本
            """
            # 初始化生成一个 XPath 解析对象,获取 html 内容元素
            dom = etree.HTML(res)
            # 获取 h1 标签中的文字内容,其中 dom.xpath('//h1/text()')返回的是数组,提取一个元素
            title = dom.xpath('//h1/text()')[0]
            # 获取 class="theDate" 的 li 标签中的文字内容
            date = dom.xpath('//li[@class="theDate"]/text()')[0]
            # 获取 rel="author" 的 a 标签中的文字内容
            author = dom.xpath('//a[@rel="author"]/strong/text()')[0]
            # 获取 rel="author" 的 a 标签中的 href 属性内容
            author_link = 'https://www.archdaily.cn/' + dom.xpath('//a[@rel="author"]/@href')[0]
            # 获取 article 标签下的所有不含属性的 p 标签元素
            p_arr = dom.xpath('//article/p[not(@*)]')
            # 创建一个数组用于存储文章中的段落文本
            paragraphs = []
            # 遍历 p 标签数组
            for p in p_arr:
                # 提取 p 标签下的所有文本内容
                p_txt = p.xpath('string(.)')
                if p_txt.strip() != '':
                    paragraphs.append(p_txt)
            paragraphs = paragraphs
    

    保存信息到txt文件中

    此部分是拼接上一部分代码,属于方法 __parse_html(self, res) ,为了更好理解爬虫流程,故此拆分。我们将信息写入一个txt文件,文件名是字符串 first 后面拼接当前时间字符串,文件所在目录为项目的根目录。

            # 如果文件不存在会自动创建
            # os.getcwd() 获取项目的根目录
            # datetime.now().strftime('%Y%m%d%H%M%S')获取当前的时间字符串
            with open('{}/first{}.txt'.format(os.getcwd(), datetime.now().strftime('%Y%m%d%H%M%S')), 'w') as ft:
                ft.write('标题:{}\n'.format(title))
                ft.write('时间:{}\n'.format(date))
                ft.write('作者:{}({})\n\n'.format(author, author_link))
                ft.write('正文:\n')
                for txt in paragraphs:
                    ft.write(txt + '\n\n')
    

    执行

    既然基本方法都写好了,那么我们先把所有方法串联起来,我们可以另写一个方法将上述方法连接起来:

        def crawl_web_content(self, target):
            """
            爬虫执行方法
    
            :param target(str): 目标网页链接
            """
            # 调用网络请求方法,并返回一个 response
            res = self.__get_target_response(target)
            # 调用解析 response 方法
            self.__parse_html(res)
    

    然后我们编写一个执行方法

    if __name__ == '__main__':
        url = 'https://www.archdaily.cn/cn/915495/luo-shan-ji-guo-ji-ji-chang-xin-lu-ke-jie-yun-xi-tong-yi-dong-gong'
        spider = SimpleSpider()
        spider.crawl_web_content(url)
    

    保存下来的txt的文本内容如下:

    标题:
    洛杉矶国际机场新旅客捷运系统动工
    
    时间:11:30 - 24 四月, 2019
    作者:Eric Baldwin(https://www.archdaily.cn//cn/author/eric-baldwin)
    
    正文:
    洛杉矶国际机场的新旅客捷运系统现已开工。建成后,地上火车将帮助旅客穿梭于洛杉矶轻轨与机场。上周,洛杉矶市长Eric Garcetti 参加了为庆祝工程开工的市政活动,LAX希望该项目能提升航站楼之间的联系,并且减少进出机场的机动车拥堵。作为世界上最繁忙的机场之一,新系统将刚落成的租车设施串联起来,旨在为LAX减少交通压力。
    
    捷运系统破土动工仪式于上周四举行。去年,城市委员会同意了LAX联合捷运方案,整个工程将花费49亿美元。作为全球第四大繁忙的机场,LAX正在寻找降低机动车出入依赖的方式。LAWA的官员预计新系统建成后,每年访客的流量将达8500万次。新系统将在 6 个站点停留,其中有3 个站点在机场航站楼中。
    
    正如LAWA申明,捷运系统期望连接绿线地铁(the Metro Green)、Crenshaw/ LAX轻轨线以及固定的租车中心,目标是将超过20个租车办公室集中在一个地点。这个设施将减少因租车需求而进出中心航站楼区域的免费通行车辆,并且每天减少约3200辆进出机场的机动车。地上火车约两分钟一班,每班可载客200人。
    
    捷运系统预计2023年完工。翻译:彭莉
    
    
    

    传送门

    Github:https://github.com/albert-lii/py-spiderman

    总结

    以上是本文的全部内容,只是个简单的爬虫示例,在后续文章中会逐渐进行升级爬虫功能,比如同时爬取多个网页内容,如何提高效率,如何使用强大的爬虫框架 scrapy 等。

    相关文章

      网友评论

          本文标题:Python爬虫之旅(一):小白也能懂的爬虫入门

          本文链接:https://www.haomeiwen.com/subject/nbkooqtx.html