python可以爬取什么數(shù)據(jù)

一、爬取我們所需要的一線鏈接

我們提供的服務有：網(wǎng)站設計制作、做網(wǎng)站、微信公眾號開發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認證、合川ssl等。為成百上千家企事業(yè)單位解決了網(wǎng)站和推廣的問題。提供周到的售前咨詢和貼心的售后服務，是有科學管理、有技術(shù)的合川網(wǎng)站制作公司

channel_extract.py

這里的一線鏈接也就是我們所說的大類鏈接：

from bs4 import BeautifulSoupimport requests

start_url = ''host_url = ''def get_channel_urls(url):

wb_data = requests.get(url)

soup = BeautifulSoup(wb_data.text, 'lxml')

links = soup.select('.fenlei dt a') #print(links)

for link in links:

page_url = host_url + link.get('href')

print(page_url)#get_channel_urls(start_url)channel_urls = '''

'''123456789101112131415161718192021222324252627282930313233343536

那么拿我爬取的58同城為例就是爬取了二手市場所有品類的鏈接，也就是我說的大類鏈接；

找到這些鏈接的共同特征，用函數(shù)將其輸出，并作為多行文本儲存起來。

二、獲取我們所需要的詳情頁面的鏈接和詳情信息

page_parsing.py

1、說說我們的數(shù)據(jù)庫：

先看代碼：

#引入庫文件from bs4 import BeautifulSoupimport requestsimport pymongo #python操作MongoDB的庫import reimport time#鏈接和建立數(shù)據(jù)庫client = pymongo.MongoClient('localhost', 27017)

ceshi = client['ceshi'] #建ceshi數(shù)據(jù)庫ganji_url_list = ceshi['ganji_url_list'] #建立表文件ganji_url_info = ceshi['ganji_url_info']123456789101112

2、判斷頁面結(jié)構(gòu)是否和我們想要的頁面結(jié)構(gòu)相匹配，比如有時候會有404頁面；

3、從頁面中提取我們想要的鏈接，也就是每個詳情頁面的鏈接；

這里我們要說的是一個方法就是:

item_link = link.get('href').split('?')[0]12

這里的這個link什么類型的，這個get方法又是什么鬼？

后來我發(fā)現(xiàn)了這個類型是

class 'bs4.element.Tab1

如果我們想要單獨獲取某個屬性，可以這樣，例如我們獲取它的 class 叫什么

print soup.p['class']

#['title']12

還可以這樣，利用get方法，傳入屬性的名稱，二者是等價的

print soup.p.get('class')#['title']12

下面我來貼上代碼：

#爬取所有商品的詳情頁面鏈接：def get_type_links(channel, num):

list_view = '{0}o{1}/'.format(channel, str(num)) #print(list_view)

wb_data = requests.get(list_view)

soup = BeautifulSoup(wb_data.text, 'lxml')

linkOn = soup.select('.pageBox') #判斷是否為我們所需頁面的標志；

#如果爬下來的select鏈接為這樣：div.pageBox ul li:nth-child(1) a span 這里的:nth-child(1)要刪掉

#print(linkOn)

if linkOn:

link = soup.select('.zz .zz-til a')

link_2 = soup.select('.js-item a')

link = link + link_2 #print(len(link))

for linkc in link:

linkc = linkc.get('href')

ganji_url_list.insert_one({'url': linkc})

print(linkc) else: pass1234567891011121314151617181920

4、爬取詳情頁中我們所需要的信息

我來貼一段代碼：

#爬取趕集網(wǎng)詳情頁鏈接：def get_url_info_ganji(url):

time.sleep(1)

wb_data = requests.get(url)

soup = BeautifulSoup(wb_data.text, 'lxml') try:

title = soup.select('head title')[0].text

timec = soup.select('.pr-5')[0].text.strip()

type = soup.select('.det-infor li span a')[0].text

price = soup.select('.det-infor li i')[0].text

place = soup.select('.det-infor li a')[1:]

placeb = [] for placec in place:

placeb.append(placec.text)

tag = soup.select('.second-dt-bewrite ul li')[0].text

tag = ''.join(tag.split()) #print(time.split())

data = { 'url' : url, 'title' : title, 'time' : timec.split(), 'type' : type, 'price' : price, 'place' : placeb, 'new' : tag

}

ganji_url_info.insert_one(data) #向數(shù)據(jù)庫中插入一條數(shù)據(jù)；

print(data) except IndexError: pass123456789101112131415161718192021222324252627282930

四、我們的主函數(shù)怎么寫？

main.py

看代碼：

#先從別的文件中引入函數(shù)和數(shù)據(jù)：from multiprocessing import Poolfrom page_parsing import get_type_links,get_url_info_ganji,ganji_url_listfrom channel_extract import channel_urls#爬取所有鏈接的函數(shù)：def get_all_links_from(channel):

for i in range(1,100):

get_type_links(channel,i)#后執(zhí)行這個函數(shù)用來爬取所有詳情頁的文件：if __name__ == '__main__':# pool = Pool()# # pool = Pool()# pool.map(get_url_info_ganji, [url['url'] for url in ganji_url_list.find()])# pool.close()# pool.join()#先執(zhí)行下面的這個函數(shù)，用來爬取所有的鏈接：if __name__ == '__main__':

pool = Pool()

pool = Pool()

pool.map(get_all_links_from,channel_urls.split())

pool.close()

pool.join()1234567891011121314151617181920212223242526

五、計數(shù)程序

count.py

用來顯示爬取數(shù)據(jù)的數(shù)目；

import timefrom page_parsing import ganji_url_list,ganji_url_infowhile True: # print(ganji_url_list.find().count())

# time.sleep(5)

print(ganji_url_info.find().count())

time.sleep(5)

[求助] python 如何爬取 網(wǎng)頁上調(diào)用JS函數(shù)打開的視頻鏈接

selenium + phantomjs 模擬點擊按鈕，或者另寫代碼實現(xiàn)js函數(shù)openVideo()；

順著第一步再去解析新頁面，看看能否找到視頻的原始地址；

假設視頻的原始地址第二步找到了，在通過視頻的原始地址下載視頻就OK啦。

如何用Python做爬蟲

1）首先你要明白爬蟲怎樣工作。

想象你是一只蜘蛛，現(xiàn)在你被放到了互聯(lián)“網(wǎng)”上。那么，你需要把所有的網(wǎng)頁都看一遍。怎么辦呢？沒問題呀，你就隨便從某個地方開始，比如說人民日報的首頁，這個叫initial pages，用$表示吧。

在人民日報的首頁，你看到那個頁面引向的各種鏈接。于是你很開心地從爬到了“國內(nèi)新聞”那個頁面。太好了，這樣你就已經(jīng)爬完了倆頁面（首頁和國內(nèi)新聞）！暫且不用管爬下來的頁面怎么處理的，你就想象你把這個頁面完完整整抄成了個html放到了你身上。

突然你發(fā)現(xiàn)， 在國內(nèi)新聞這個頁面上，有一個鏈接鏈回“首頁”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因為你已經(jīng)看過了啊。所以，你需要用你的腦子，存下你已經(jīng)看過的頁面地址。這樣，每次看到一個可能需要爬的新鏈接，你就先查查你腦子里是不是已經(jīng)去過這個頁面地址。如果去過，那就別去了。

好的，理論上如果所有的頁面可以從initial page達到的話，那么可以證明你一定可以爬完所有的網(wǎng)頁。

那么在python里怎么實現(xiàn)呢？

很簡單

import Queue

initial_page = "初始化頁"

url_queue = Queue.Queue()

seen = set()

seen.insert(initial_page)

url_queue.put(initial_page)

while(True): #一直進行直到?？菔癄€

if url_queue.size()0:

current_url = url_queue.get() #拿出隊例中第一個的url

store(current_url) #把這個url代表的網(wǎng)頁存儲好

for next_url in extract_urls(current_url): #提取把這個url里鏈向的url

if next_url not in seen:

seen.put(next_url)

url_queue.put(next_url)

else:

break

寫得已經(jīng)很偽代碼了。

所有的爬蟲的backbone都在這里，下面分析一下為什么爬蟲事實上是個非常復雜的東西——搜索引擎公司通常有一整個團隊來維護和開發(fā)。

2）效率

如果你直接加工一下上面的代碼直接運行的話，你需要一整年才能爬下整個豆瓣的內(nèi)容。更別說Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了。

問題出在哪呢？需要爬的網(wǎng)頁實在太多太多了，而上面的代碼太慢太慢了。設想全網(wǎng)有N個網(wǎng)站，那么分析一下判重的復雜度就是N*log(N)，因為所有網(wǎng)頁要遍歷一次，而每次判重用set的話需要log(N)的復雜度。OK，OK，我知道python的set實現(xiàn)是hash——不過這樣還是太慢了，至少內(nèi)存使用效率不高。

通常的判重做法是怎樣呢？Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長）以O(1)的效率判定url是否已經(jīng)在set中?？上煜聸]有白吃的午餐，它的唯一問題在于，如果這個url不在set中，BF可以100%確定這個url沒有看過。但是如果這個url在set中，它會告訴你：這個url應該已經(jīng)出現(xiàn)過，不過我有2%的不確定性。注意這里的不確定性在你分配的內(nèi)存足夠大的時候，可以變得很小很少。一個簡單的教程:Bloom Filters by Example

注意到這個特點，url如果被看過，那么可能以小概率重復看一看（沒關系，多看看不會累死）。但是如果沒被看過，一定會被看一下（這個很重要，不然我們就要漏掉一些網(wǎng)頁了?。?。 [IMPORTANT: 此段有問題，請暫時略過]

好，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個瓶頸——你只有一臺機器。不管你的帶寬有多大，只要你的機器下載網(wǎng)頁的速度是瓶頸的話，那么你只有加快這個速度。用一臺機子不夠的話——用很多臺吧！當然，我們假設每臺機子都已經(jīng)進了最大的效率——使用多線程（python的話，多進程吧）。

3）集群化抓取

爬取豆瓣的時候，我總共用了100多臺機器晝夜不停地運行了一個月。想象如果只用一臺機子你就得運行100個月了...

那么，假設你現(xiàn)在有100臺機器可以用，怎么用python實現(xiàn)一個分布式的爬取算法呢？

我們把這100臺中的99臺運算能力較小的機器叫作slave，另外一臺較大的機器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個queue放到這臺master機器上，所有的slave都可以通過網(wǎng)絡跟master聯(lián)通，每當一個slave完成下載一個網(wǎng)頁，就向master請求一個新的網(wǎng)頁來抓取。而每次slave新抓到一個網(wǎng)頁，就把這個網(wǎng)頁上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現(xiàn)在master只發(fā)送確定沒有被訪問過的url給slave。Bloom Filter放到master的內(nèi)存里，而被訪問過的url放到運行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問效率見:LINSERT – Redis)

考慮如何用python實現(xiàn)：

在各臺slave上裝好scrapy，那么各臺機子就變成了一臺有抓取能力的slave，在master上裝好Redis和rq用作分布式隊列。

代碼于是寫成

#slave.py

current_url = request_from_master()

to_send = []

for next_url in extract_urls(current_url):

to_send.append(next_url)

store(current_url);

send_to_master(to_send)

#master.py

distributed_queue = DistributedQueue()

bf = BloomFilter()

initial_pages = ""

while(True):

if request == 'GET':

if distributed_queue.size()0:

send(distributed_queue.get())

else:

break

elif request == 'POST':

bf.put(request.url)

好的，其實你能想到，有人已經(jīng)給你寫好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及后處理

雖然上面用很多“簡單”，但是真正要實現(xiàn)一個商業(yè)規(guī)?？捎玫呐老x并不是一件容易的事。上面的代碼用來爬一個整體的網(wǎng)站幾乎沒有太大的問題。

但是如果附加上你需要這些后續(xù)處理，比如

有效地存儲（數(shù)據(jù)庫應該怎樣安排）

有效地判重（這里指網(wǎng)頁判重，咱可不想把人民日報和抄襲它的大民日報都爬一遍）

有效地信息抽?。ū热缭趺礃映槿〕鼍W(wǎng)頁上所有的地址抽取出來，“朝陽區(qū)奮進路中華道”），搜索引擎通常不需要存儲所有的信息，比如圖片我存來干嘛...

及時更新（預測這個網(wǎng)頁多久會更新一次）

如你所想，這里每一個點都可以供很多研究者十數(shù)年的研究。雖然如此，

“路漫漫其修遠兮,吾將上下而求索”。

所以，不要問怎么入門，直接上路就好了：）

python 用自定義函數(shù)獲取所有超鏈接

用正則匹配

import?re

html?=?'''h3contact?us/h3

pcontact:?manager?wang/p

ptelephone:12345666/p

div?id="nav"

ul

lia?class="nav-first"?href="/"homepage/a/li

lia?href="/lista.php"111/a/li?

lia?href="/lista.php"222/a/li

lia?href="/order/setorder.php"333/a/li

lia?href="/what/cool/ista.php"444/a/li

/ul

/div'''

urls?=?re.findall('href=.*?',?html)??#?正則出a鏈接?href

urlList?=?[]??#?定義urlList

for?url?in?urls:

url?=?url.replace("href=\"",?'')??#?替換href="

urlList.append(url[:-2])??#?獲取的0到-2長度的字符串

print(urlList)

輸出：

['/',?'/lista.php',?'/lista.php',?'/order/setorder.php',?'/what/cool/ista.php']

python多線程爬蟲爬取頂點小說內(nèi)容（BeautifulSoup+urllib）

之前寫過python爬取起點中文網(wǎng)小說，多線程則是先把爬取的章節(jié)鏈接存到一個列表里，然后寫一個函數(shù)get_text每次調(diào)用這個函數(shù)就傳一個章節(jié)鏈接，那么就需要調(diào)用n次該函數(shù)來獲取n章的內(nèi)容，所以可以用for循環(huán)創(chuàng)建n個線程，線程的target就是get_text，參數(shù)就是章節(jié)的url。

隨便點開的，辣眼睛哈哈哈

個人感覺用了多線程之后速度并沒有很大的提升，速度大致是20個txt文件/分鐘，是否有單個機器上繼續(xù)提升爬取速度的方法？

下一步打算搞點能被封ip的爬取行為，然后學學分布式爬蟲。加油~