您好,登錄后才能下訂單哦!
這篇文章主要介紹了python通過鏈接抓取網(wǎng)站的示例分析,具有一定借鑒價值,感興趣的朋友可以參考下,希望大家閱讀完這篇文章之后大有收獲,下面讓小編帶著大家一起了解一下。
這種爬蟲非常適用于從一個網(wǎng)站抓取所有數(shù)據(jù)的項目,而不適用于從特 定搜索結(jié)果或頁面列表抓取數(shù)據(jù)的項目。它還非常適用于網(wǎng)站頁面組織 得很糟糕或者非常分散的情況。
這些類型的爬蟲并不需要像上一節(jié)通過搜索頁面進行抓取中采用的定位 鏈接的結(jié)構(gòu)化方法,因此在 Website 對象中不需要包含描述搜索頁面 的屬性。但是由于爬蟲并不知道待尋找的鏈接的位置,所以你需要一些 規(guī)則來告訴它選擇哪種頁面。你可以用 targetPattern(目標 URL 的 正則表達式)和布爾變量 absoluteUrl 來達成這一目標:
class Website: def __init__(self, name, url, targetPattern, absoluteUrl, titleTag, bodyTag): self.name = name self.url = url self.targetPattern = targetPattern self.absoluteUrl=absoluteUrl self.titleTag = titleTag self.bodyTag = bodyTag class Content: def __init__(self, url, title, body): self.url = url self.title = title self.body = body def print(self): print("URL: {}".format(self.url)) print("TITLE: {}".format(self.title)) print("BODY:\n{}".format(self.body))
Content 類和第一個爬蟲例子中使用的是一樣的。
Crawler 類從每個網(wǎng)站的主頁開始,定位內(nèi)鏈,并解析在每個內(nèi)鏈頁面 發(fā)現(xiàn)的內(nèi)容:
import re class Crawler: def __init__(self, site): self.site = site self.visited = [] def getPage(self, url): try: req = requests.get(url) except requests.exceptions.RequestException: return None return BeautifulSoup(req.text, 'html.parser') def safeGet(self, pageObj, selector): selectedElems = pageObj.select(selector) if selectedElems is not None and len(selectedElems) > 0: return '\n'.join([elem.get_text() for elem in selectedElems]) return '' def parse(self, url): bs = self.getPage(url) if bs is not None: title = self.safeGet(bs, self.site.titleTag) body = self.safeGet(bs, self.site.bodyTag) if title != '' and body != '': content = Content(url, title, body) content.print() def crawl(self): """ 獲取網(wǎng)站主頁的頁面鏈接 """ bs = self.getPage(self.site.url) targetPages = bs.findAll('a', href=re.compile(self.site.targetPattern)) for targetPage in targetPages: targetPage = targetPage.attrs['href'] if targetPage not in self.visited: self.visited.append(targetPage) if not self.site.absoluteUrl: targetPage = '{}{}'.format(self.site.url, targetPage) self.parse(targetPage) reuters = Website('Reuters', 'https://www.reuters.com', '^(/article/)', False, 'h2', 'div.StandardArticleBody_body_1gnLA') crawler = Crawler(reuters) crawler.crawl()
與前面的例子相比,這里的另外一個變化是:Website 對象(在這個例 子中是變量 reuters)是 Crawler 對象本身的一個屬性。這樣做的作 用是將已訪問過的頁面存儲在爬蟲中,但是也意味著必須針對每個網(wǎng)站 實例化一個新的爬蟲,而不是重用一個爬蟲去抓取網(wǎng)站列表。
不管你是選擇一個與網(wǎng)站無關(guān)的爬蟲,還是將網(wǎng)站作為爬蟲的一個屬 性,這都是一個需要根據(jù)自身需求進行權(quán)衡的決定。兩種方法在功能實 現(xiàn)上都是沒有問題的。
另外需要注意的是,這個爬蟲會從主頁開始抓取,但是在所有頁面都被 記錄后,就不會繼續(xù)抓取了。你可能希望編寫一個爬蟲,將第 3 章中介 紹的某種模式融合進來,然后查看所訪問的每個頁面中更多的目標 URL。你甚至還可以跟蹤每個頁面中涉及的所有 URL(不僅僅是匹配 目標模式的 URL),然后查看這些 URL 是否包含目標模式。
感謝你能夠認真閱讀完這篇文章,希望小編分享的“python通過鏈接抓取網(wǎng)站的示例分析”這篇文章對大家有幫助,同時也希望大家多多支持億速云,關(guān)注億速云行業(yè)資訊頻道,更多相關(guān)知識等著你來學習!
免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。