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：
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：
-
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：
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):
pass3.2 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“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：
具体代码，可参见我的github , GitHub项目地址。