python爬取网站数据

开学前接了一个任务，内容是从网上爬取特定属性的数据。正好之前学了python，练练手。

编码问题

因为涉及到中文，所以必然地涉及到了编码的问题，这一次借这个机会算是彻底搞清楚了。

问题要从文字的编码讲起。原本的英文编码只有0~255，刚好是8位1个字节。为了表示各种不同的语言，自然要进行扩充。中文的话有GB系列。可能还听说过Unicode和UTF-8，那么，它们之间是什么关系呢？

Unicode是一种编码方案，又称万国码，可见其包含之广。但是具体存储到计算机上，并不用这种编码，可以说它起着一个中间人的作用。你可以再把Unicode编码(encode)为UTF-8，或者GB，再存储到计算机上。UTF-8或者GB也可以进行解码(decode)还原为Unicode。

在python中Unicode是一类对象，表现为以u打头的，比如u'中文'，而string又是一类对象，是在具体编码方式下的实际存在计算机上的字符串。比如utf-8编码下的'中文'和gbk编码下的'中文'，并不相同。可以看如下代码：

>>> str=u'中文'
>>> str1=str.encode('utf8')
>>> str2=str.encode('gbk')
>>> print repr(str)
u'\u4e2d\u6587'
>>> print repr(str1)
'\xe4\xb8\xad\xe6\x96\x87'
>>> print repr(str2)
'\xd6\xd0\xce\xc4'

可以看到，其实存储在计算机中的只是这样的编码，而不是一个一个的汉字，在print的时候要知道当时是用的什么样的编码方式，才能正确的print出来。有一个说法提得很好，python中的Unicode才是真正的字符串，而string是字节串

文件编码

既然有不同的编码，那么如果在代码文件中直接写string的话，那么它到底是哪一种编码呢？这个就是由文件的编码所决定的。文件总是以一定的编码方式保存的。而python文件可以写上coding的声明语句，用来说明这个文件是用什么编码方式保存的。如果声明的编码方式和实际保存的编码方式不一致就会出现异常。可以见下面例子： 以utf-8保存的文件声明为gbk

#coding:gbk
str=u'汉'
str1=str.encode('utf8')
str2=str.encode('gbk')
str3='汉'
print repr(str)
print repr(str1)
print repr(str2)
print repr(str3)

提示错误 File "test.py", line 1 SyntaxError: Non-ASCII character '\xe6' in file test.py on line 1, but no encodi ng declared; see http://www.python.org/peps/pep-0263.html for details 改为

#coding:utf8
str=u'汉'
str1=str.encode('utf8')
str2=str.encode('gbk')
str3='汉'
print repr(str)
print repr(str1)
print repr(str2)
print repr(str3)

输出正常结果 u'\u6c49' '\xe6\xb1\x89' '\xba\xba' '\xe6\xb1\x89'

更多内容可参见这篇文章http://www.cnblogs.com/huxi/archive/2010/12/05/1897271.html

基本方法

其实用python爬取网页很简单，只有简单的几句话

import urllib2
page=urllib2.urlopen('url').read()

这样就可以获得到页面的内容。接下来再用正则匹配去匹配所需要的内容就行了。

但是，真正要做起来，就会有各种各样的细节问题。

登录

这是一个需要登录认证的网站。也不太难，只要导入cookielib和urllib库就行。

import urllib,urllib2,cookielib
cookiejar = cookielib.CookieJar()
urlOpener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookiejar))

这样就装载进一个cookie，用urlOpener去open登录以后就可以记住信息。

断线重连

如果只是做到上面的程度，不对open进行包装的话，只要网络状况有些起伏，就直接抛出异常，退出整个程序，是个很不好的程序。这个时候，只要对异常进行处理，多试几次就行了：

def multi_open(opener,*arg):
	while True:
		retryTimes=20
		while retryTimes>0:
			try:
				return opener.open(*arg)
			except:
				print '.',
				retryTimes-=1

正则匹配

其实正则匹配并不算是一个特别好的方法，因为它的容错性很不好，网页要完全统一。如果有稍微的不统一，就会失败。后来看到说有根据xpath来进行选取的，下次可以尝试一下。

写正则其实是有一定技巧的：

• 非贪婪匹配。比如这样一个标签：<span class='a'>hello</span>，要取出a来，如果写成这样的表达式，就不行了：<span class=.*>hello</span>。因为*进行了贪婪匹配。这是要用.?：<span class=.?>hello</span>。
• 跨行匹配。实现跨行有一种思路是运用DOTALL标志位，这样.就会匹配到换行。但是这样一来，整个匹配过程就会变得很慢。本来的匹配是以行为单位的。整个过程最多就是O(nc²)，n是行数，c是平均列数。现在极有可能变为O((nc)²)。我的实现方案是运用\n来匹配换行，这样可以明确指出匹配最多跨跃多少行。比如：abc\s*\n\s*def，就指出查找的是隔一行的。(.\n)?就可以指定是匹配尽可能少的行。
• 这里其实还要注意一个点。有的行末是带有\r的。也就是说一行是以\r\n结尾的。当初不知道这一点，正则就调试了很久。现在直接用\s，表示行末空格和\r。
• 无捕获分组。为了不对捕获的分组造成影响，上面的(.\n)可以改为(?:.\n)，这样捕获分组时，就会忽略它。
• 单括号要进行转义。因为单括号在正则里是用来表示分组的，所以为了匹配单括号就进行转义。正则字符串最好用的是带有r前缀的字符串，如果不是的话，则要对\再进行转义。
• 快速正则。写了那么多模式，也总结出一规律出来。先把要匹配的字符相关的段落拿出来。要匹配的东西用(.?)代替。把换行\n替换为字符串\s\n\s*，再去掉行首行末的空格。整个过程在vim中可以很快就写好。

Excel操作

这次的数据是放进Excel的。到后面才意识到如果放进数据库的话，可能就没有那么多事了。但是已经写到一半，难以回头了。

搜索Excel，可以得出几个方案来，一个是用xlrt/xlwt库，这个不管电脑上是否安装了Excel，都可以运行，但只能是xls格式的。还有一个是直接包装了com，需要电脑上安装了软件才行。我采用的是前一种。

基本的读写没有问题。但是数据量一大起来，就有问题了。

• 内存不够。程序一跑起来，内存占用就一点一点往上涨。后面再查了一下，知道要用flush_row_data。但是还是会出错。一看内存占用，没有什么问题，一直很平稳。但最后还是会出现memory error。这真是见鬼了。又是反复地查， 反复地运行。一点结果都没有。要命的是bug只在数据量大起来才出现，而等数据量大起来往往要好几个小时，这debug的成本实在是太高了。一个偶然的机会，突然发现内存占用，虽然总体平稳，但是会规律性的出现小的高涨，而这规律性，会不会和flush_row_data，有关。一直疑惑的是data被flush到了哪里。原来xlwt的作法是很蛋疼的作法。把数据存在内存里，或者flush到一个temp，到save的时候，再一次性写入。而问题正出在这一次性写入，内存猛涨。那我要flush_row_data何用？为什么不一开始就flush进要写入的地方。
• 行数限制。这个是xls格式本身决定的，最多行数只能是65536。而且数据一大，文件打开也不方便。

结合以上两点，最终采取了这么一个策略，如果行数是1000的倍数，进行一次flush，如果行数超过65536，新开一个sheet，如果超过3个sheet，则新建一个文件。为了方便，把xlwt包装了一下

#coding:utf-8#
import xlwt

class XLS:
	'''a class wrap the xlwt'''
	MAX_ROW=65536
	MAX_SHEET_NUM=3

	def __init__(self,name,captionList,typeList,encoding='utf8',flushBound=1000):
		self.name=name
		self.captionList=captionList[:]
		self.typeList=typeList[:]
		self.workbookIndex=1
		self.encoding=encoding
		self.wb=xlwt.Workbook(encoding=self.encoding)
		self.sheetIndex=1
		self.__addSheet()
		self.flushBound=flushBound

	def __addSheet(self):
		if self.sheetIndex != 1:
			self.wb.save(self.name+str(self.workbookIndex)+'.xls')
		if self.sheetIndex>XLS.MAX_SHEET_NUM:
			self.workbookIndex+=1
			self.wb=xlwt.Workbook(encoding=self.encoding)
			self.sheetIndex=1

		self.sheet=self.wb.add_sheet(self.name.encode(self.encoding)+str(self.sheetIndex))
		for i in range(len(self.captionList)):
			self.sheet.write(0,i,self.captionList[i])

		self.row=1

	def write(self,data):
		if self.row>=XLS.MAX_ROW:
			self.sheetIndex += 1
			self.__addSheet()

		for i in range(len(data)):
			if self.typeList[i]=="num":
				try:
					self.sheet.write(self.row,i,float(data[i]))
				except ValueError:
					pass
			else:
				self.sheet.write(self.row,i,data[i])

		if self.row % self.flushBound == 0:
			self.sheet.flush_row_data()
		self.row+=1

	def save(self):
		self.wb.save(self.name+str(self.workbookIndex)+'.xls')

转换网页特殊字符

由于网页也有自己独特的转义字符，在进行正则匹配的时候就有些麻烦。在官方文档中查到一个用字典替换的方案，私以为不错，拿来做了一些扩充。其中有一些是为保持正则的正确性。

html_escape_table = {
	"&": "&",
	'"': """,
	"'": "'",
	">": ">",
	"<": "&lt;",
	u"·":"·",
	u"°":"°",
	#regular expression
	".":r"\.",
	"^":r"\^",
	"$":r"\$",
	"{":r"\{",
	"}":r"\}",
	"\\":r"\\",
	"|":r"\|",
	"(":r"\(",
	")":r"\)",
	"+":r"\+",
	"*":r"\*",
	"?":r"\?",
}

def html_escape(text):
	"""Produce entities within text."""
	tmp="".join(html_escape_table.get(c,c) for c in text)
	return tmp.encode("utf-8")

结

得出的经验差不多就是这些了。不过最后写出来的程序自已也不忍再看。风格很不好。一开始想着先写着试试。然后试着试着就不想改了。

最终的程序要跑很久，其中网络通信时间占了大部分。是不是可以考虑用多线程重构一下？想想，还是就这样吧。