python爬蟲 函數(shù)返回值如何調(diào)用？

在if 里只需要yield "" + item_url.attrs['href']

成都創(chuàng)新互聯(lián)公司-云計(jì)算及IDC服務(wù)提供商，涵蓋公有云、IDC機(jī)房租用、香港機(jī)房服務(wù)器托管、等保安全、私有云建設(shè)等企業(yè)級(jí)互聯(lián)網(wǎng)基礎(chǔ)服務(wù)，聯(lián)系熱線：18980820575

然后Lsit(最好改可名,在python規(guī)范里,函數(shù)命名是全小寫,而list又是保留字，比如改為display_hrefs）只需要循環(huán)輸出getUrl的結(jié)果就好：

def getUrl(url: str):

....html = urlopen(url)

....for item_url in BeautifulSoup((html.read()).find ('div' , class_='AAA').findAll ("a"):

........if 'href' in item_url.attrs:

............yield "" + item_url.attrs['href']

def display_hrefs(url: str):

....for href in getUrl(url):

........print(href)

if __name__ == '__main__':

....display_hrefs("")

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(gè)地方開始，比如說人民日?qǐng)?bào)的首頁，這個(gè)叫initial pages，用$表示吧。

在人民日?qǐng)?bào)的首頁，你看到那個(gè)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(gè)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(gè)頁面完完整整抄成了個(gè)html放到了你身上。

突然你發(fā)現(xiàn)， 在國內(nèi)新聞這個(gè)頁面上，有一個(gè)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?yàn)槟阋呀?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(gè)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(gè)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(dá)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(shí)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(jìn)行直到?？菔癄€

if url_queue.size()0:

current_url = url_queue.get() #拿出隊(duì)例中第一個(gè)的url

store(current_url) #把這個(gè)url代表的網(wǎng)頁存儲(chǔ)好

for next_url in extract_urls(current_url): #提取把這個(gè)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(shí)上是個(gè)非常復(fù)雜的東西——搜索引擎公司通常有一整個(gè)團(tuán)隊(duì)來維護(hù)和開發(fā)。

2）效率

如果你直接加工一下上面的代碼直接運(yùn)行的話，你需要一整年才能爬下整個(gè)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(shí)在太多太多了，而上面的代碼太慢太慢了。設(shè)想全網(wǎng)有N個(gè)網(wǎng)站，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁要遍歷一次，而每次判重用set的話需要log(N)的復(fù)雜度。OK，OK，我知道python的set實(shí)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(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長）以O(shè)(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(gè)url不在set中，BF可以100%確定這個(gè)url沒有看過。但是如果這個(gè)url在set中，它會(huì)告訴你：這個(gè)url應(yīng)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(shí)候，可以變得很小很少。一個(gè)簡單的教程:Bloom Filters by Example

注意到這個(gè)特點(diǎn)，url如果被看過，那么可能以小概率重復(fù)看一看（沒關(guān)系，多看看不會(huì)累死）。但是如果沒被看過，一定會(huì)被看一下（這個(gè)很重要，不然我們就要漏掉一些網(wǎng)頁了！）。 [IMPORTANT: 此段有問題，請(qǐng)暫時(shí)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(gè)瓶頸——你只有一臺(tái)機(jī)器。不管你的帶寬有多大，只要你的機(jī)器下載網(wǎng)頁的速度是瓶頸的話，那么你只有加快這個(gè)速度。用一臺(tái)機(jī)子不夠的話——用很多臺(tái)吧！當(dāng)然，我們假設(shè)每臺(tái)機(jī)子都已經(jīng)進(jìn)了最大的效率——使用多線程（python的話，多進(jìn)程吧）。

3）集群化抓取

爬取豆瓣的時(shí)候，我總共用了100多臺(tái)機(jī)器晝夜不停地運(yùn)行了一個(gè)月。想象如果只用一臺(tái)機(jī)子你就得運(yùn)行100個(gè)月了...

那么，假設(shè)你現(xiàn)在有100臺(tái)機(jī)器可以用，怎么用python實(shí)現(xiàn)一個(gè)分布式的爬取算法呢？

我們把這100臺(tái)中的99臺(tái)運(yùn)算能力較小的機(jī)器叫作slave，另外一臺(tái)較大的機(jī)器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個(gè)queue放到這臺(tái)master機(jī)器上，所有的slave都可以通過網(wǎng)絡(luò)跟master聯(lián)通，每當(dāng)一個(gè)slave完成下載一個(gè)網(wǎng)頁，就向master請(qǐng)求一個(gè)新的網(wǎng)頁來抓取。而每次slave新抓到一個(gè)網(wǎng)頁，就把這個(gè)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(yùn)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(shí)現(xiàn)：

在各臺(tái)slave上裝好scrapy，那么各臺(tái)機(jī)子就變成了一臺(tái)有抓取能力的slave，在master上裝好Redis和rq用作分布式隊(duì)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(shí)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(shí)現(xiàn)一個(gè)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(gè)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(chǔ)（數(shù)據(jù)庫應(yīng)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?qǐng)?bào)和抄襲它的大民日?qǐng)?bào)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(jìn)路中華道”），搜索引擎通常不需要存儲(chǔ)所有的信息，比如圖片我存來干嘛...

及時(shí)更新（預(yù)測這個(gè)網(wǎng)頁多久會(huì)更新一次）

如你所想，這里每一個(gè)點(diǎn)都可以供很多研究者十?dāng)?shù)年的研究。雖然如此，

“路漫漫其修遠(yuǎn)兮,吾將上下而求索”。

所以，不要問怎么入門，直接上路就好了：）

如何用Python做爬蟲？

在我們?nèi)粘Ｉ暇W(wǎng)瀏覽網(wǎng)頁的時(shí)候，經(jīng)常會(huì)看到一些好看的圖片，我們就希望把這些圖片保存下載，或者用戶用來做桌面壁紙，或者用來做設(shè)計(jì)的素材。

我們最常規(guī)的做法就是通過鼠標(biāo)右鍵，選擇另存為。但有些圖片鼠標(biāo)右鍵的時(shí)候并沒有另存為選項(xiàng)，還有辦法就通過就是通過截圖工具截取下來，但這樣就降低圖片的清晰度。好吧其實(shí)你很厲害的，右鍵查看頁面源代碼。

我們可以通過python?來實(shí)現(xiàn)這樣一個(gè)簡單的爬蟲功能，把我們想要的代碼爬取到本地。下面就看看如何使用python來實(shí)現(xiàn)這樣一個(gè)功能。

具體步驟

獲取整個(gè)頁面數(shù)據(jù)首先我們可以先獲取要下載圖片的整個(gè)頁面信息。

getjpg.py

#coding=utf-8import urllibdef getHtml(url):

page = urllib.urlopen(url)

html = page.read() ? ?return html

html = getHtml("")print html

Urllib?模塊提供了讀取web頁面數(shù)據(jù)的接口，我們可以像讀取本地文件一樣讀取www和ftp上的數(shù)據(jù)。首先，我們定義了一個(gè)getHtml()函數(shù):

urllib.urlopen()方法用于打開一個(gè)URL地址。

read()方法用于讀取URL上的數(shù)據(jù)，向getHtml()函數(shù)傳遞一個(gè)網(wǎng)址，并把整個(gè)頁面下載下來。執(zhí)行程序就會(huì)把整個(gè)網(wǎng)頁打印輸出。

2.篩選頁面中想要的數(shù)據(jù)

Python?提供了非常強(qiáng)大的正則表達(dá)式，我們需要先要了解一點(diǎn)python?正則表達(dá)式的知識(shí)才行。

假如我們百度貼吧找到了幾張漂亮的壁紙，通過到前段查看工具。找到了圖片的地址，如：src=””pic_ext=”jpeg”

修改代碼如下：

import reimport urllibdef getHtml(url):

page = urllib.urlopen(url)

html = page.read() ? ?return htmldef getImg(html):

reg = r'src="(.+?\.jpg)" pic_ext'

imgre = re.compile(reg)

imglist = re.findall(imgre,html) ? ?return imglist ? ? ?

html = getHtml("")print getImg(html)

我們又創(chuàng)建了getImg()函數(shù)，用于在獲取的整個(gè)頁面中篩選需要的圖片連接。re模塊主要包含了正則表達(dá)式：

re.compile()?可以把正則表達(dá)式編譯成一個(gè)正則表達(dá)式對(duì)象.

re.findall()?方法讀取html?中包含?imgre（正則表達(dá)式）的數(shù)據(jù)。

運(yùn)行腳本將得到整個(gè)頁面中包含圖片的URL地址。

3.將頁面篩選的數(shù)據(jù)保存到本地

把篩選的圖片地址通過for循環(huán)遍歷并保存到本地，代碼如下：

#coding=utf-8import urllibimport redef getHtml(url):

page = urllib.urlopen(url)

html = page.read() ? ?return htmldef getImg(html):

reg = r'src="(.+?\.jpg)" pic_ext'

imgre = re.compile(reg)

imglist = re.findall(imgre,html)

x = 0 ? ?for imgurl in imglist:

urllib.urlretrieve(imgurl,'%s.jpg' % x)

x+=1html = getHtml("")print getImg(html)

這里的核心是用到了urllib.urlretrieve()方法，直接將遠(yuǎn)程數(shù)據(jù)下載到本地。

通過一個(gè)for循環(huán)對(duì)獲取的圖片連接進(jìn)行遍歷，為了使圖片的文件名看上去更規(guī)范，對(duì)其進(jìn)行重命名，命名規(guī)則通過x變量加1。保存的位置默認(rèn)為程序的存放目錄。

程序運(yùn)行完成，將在目錄下看到下載到本地的文件。

python爬蟲的工作步驟

當(dāng)前處于一個(gè)大數(shù)據(jù)的時(shí)代，一般網(wǎng)站數(shù)據(jù)來源有二：網(wǎng)站用戶自身產(chǎn)生的數(shù)據(jù)和網(wǎng)站從其他來源獲取的數(shù)據(jù)，今天要分享的是如何從其他網(wǎng)站獲取你想要的數(shù)據(jù)。

目前最適合用于寫爬蟲的語言是python，python中最受歡迎的爬蟲框架是scrapy,本文圍繞scrapy來展開講解爬蟲是怎么工作的。

1.如下圖所示，爬蟲從編寫的spider文件中的start_urls開始，這個(gè)列表中的url就是爬蟲抓取的第一個(gè)網(wǎng)頁，它的返回值是該url對(duì)應(yīng)網(wǎng)頁的源代碼，我們可以用默認(rèn)的parse(self,response)函數(shù)去打印或解析這個(gè)源代碼

2.我們獲取到源代碼之后，就可以從網(wǎng)頁源代碼中找到我們想要的信息或需要進(jìn)一步訪問的url,提取信息這一步，scrapy中集成了xpath,正則(re),功能十分強(qiáng)大，提取到信息之后會(huì)通過yield進(jìn)入到中間件當(dāng)中。

中間件包括爬蟲中間件和下載中間件，爬蟲中間件主要用于設(shè)置處理爬蟲文件中的代碼塊，下載中間件主要用于判斷爬蟲進(jìn)入網(wǎng)頁前后的爬取狀態(tài)，在此中間件中，你可以根據(jù)爬蟲的返回狀態(tài)去做進(jìn)一步判斷。

最后我們將yield過來的item，即就是我們想要的數(shù)據(jù)會(huì)在pipeline.py文件中進(jìn)行處理，存入數(shù)據(jù)庫，寫入本地文件，都可以在這里進(jìn)行，另外，為了減少代碼冗余，建議所有與設(shè)置參數(shù)有關(guān)的參數(shù)，都寫在settings.py中去