[Python从零到壹] 四.网络爬虫之入门基础及正则表达式抓取博客案例

Eastmount

发布于 2021-12-02 20:35:02

8150

发布于 2021-12-02 20:35:02

文章被收录于专栏：Python和安全那些事

目录：

一.什么是网络爬虫
二.正则表达式
三.Python网络数据爬取常用模块 1.urllib模块 2.urlparse模块
四.正则表达式抓取网络数据的常见方法 1.抓取标签间的内容 2.爬取标签中的参数 3.字符串处理及替换
五.个人博客爬取实例

一.什么是网络爬虫

随着互联网的迅速发展，万维网成为大量信息的载体，越来越多的网民可以通过互联网获取所需的信息，同时如何有效地提取并利用这些信息也成为了一个巨大的挑战。搜索引擎（Search Engine）作为辅助人们检索信息的工具，它成为了用户访问万维网的入口和工具，常见的搜索引擎比如Google、Yahoo、百度、搜狗等。但是，这些通用性搜索引擎也存在着一定的局限性，比如搜索引擎返回的结果包含大量用户不关心的网页；再如它们是基于关键字检索，缺乏语义理解，导致反馈的信息不准确；通用的搜索引擎无法处理非结构性数据，图片、音频、视频等复杂类型的数据。

为了解决上述问题，定向抓取相关网页资源的网络爬虫应运而生，下图是Google搜索引擎的架构图，它从万维网中爬取相关数据，通过文本和连接分析，再进行打分排序，最后返回相关的搜索结果至浏览器。同时，现在比较热门的知识图谱也是为了解决类似的问题而提出的。

网络爬虫又被称为网页蜘蛛或网络机器人，它是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。网络爬虫根据既定的抓取目标，有选择的访问万维网上的网页与相关的链接，获取所需要的信息。与通用爬虫不同，定向爬虫并不追求大的覆盖，而将目标定为抓取与某一特定主题内容相关的网页，为面向主题的用户查询准备数据资源。

网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫（General Purpose Web Crawler）、聚焦网络爬虫（Focused Web Crawler）、增量式网络爬虫（Incremental Web Crawler）、深层网络爬虫（Deep Web Crawler）。实际的网络爬虫系统通常是几种爬虫技术相结合实现的。

数据分析通常包括前期准备、数据爬取、数据预处理、数据分析、可视化绘图及分析评估六个步骤，如下图所示。其中数据爬取主要划分为四个步骤：

需求分析。首先需要分析网络数据爬取的需求，了解所爬取主题的网址、内容分布，所获取语料的字段、图集等内容。
技术选择。网页抓取技术可以通过Python、Java、C++、C#等不同编程语言实现，主要涉及的技术包括：Urllib库、正则表达式、Selenium、BeautifulSoup、Scrapy等技术。
网页抓取。确定好爬取技术后，需要分析网页的DOM树结构，通过XPATH技术定位网页所爬取内容的节点，再抓取数据；同时，部分网站涉及到页面跳转、登录验证等。
存储技术。数据存储技术主要是存储爬取的数据信息，主要包括SQL数据库、纯文本格式、CSV\XLS文件等。

作者希望大家能从基础跟着我学习Python知识，最后能抓取你需要的数据集并进行深入的分析，一起加油吧！

二.正则表达式

正则表达式是用于处理字符串的强大工具，通常被用来检索、替换那些符合某种规则的文本。这篇文章首先引入正则表达式的基本概念，然后讲解其常用的方法，并结合Python网络数据爬取常用模块和常见正则表达式的网站分析方法进行讲解，最后使用正则表达式爬取了个人博客网站。

正则表达式（Regular Expression，简称Regex或RE）又称为正规表示法或常规表示法，常常用来检索、替换那些符合某个模式的文本，它首先设定好了一些特殊的字符及字符组合，通过组合的“规则字符串”来对表达式进行过滤，从而获取或匹配我们想要的特定内容。它非常灵活，其逻辑性和功能性也非常强，能迅速地通过表达式从字符串中找到所需信息，但对刚接触的人来说，比较晦涩难懂。

由于正则表达式主要应用对象是文本，因此它在各种文本编辑器中都有应用，小到著名编辑器EditPlus，大到Microsoft Word、Visual Studio等大型编辑器，都可以使用正则表达式来处理文本内容。

1.re模块

Python通过re模块提供对正则表达式的支持，但在使用正则表达式之前需要导入re模块，才能调用该模块的功能函数。

import re

其基本步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得一个匹配（match）实例，再使用match实例获得所需信息。常用的函数是findall，原型如下：

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])

该函数表示搜索字符串string，以列表形式返回全部能匹配的子串。其中参数re包括三个常见值，每个常见值括号内的内容是完整的写法。

re.I(re.IGNORECASE)：使匹配忽略大小写
re.M(re.MULTILINE)：允许多行匹配
re.S(re.DOTALL)：匹配包括换行在内的所有字符

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。Pattern不能直接实例化，必须使用re.compile()进行构造。

2.complie方法

re正则表达式模块包括一些常用的操作函数，比如complie()函数。其原型如下：

compile(pattern[,flags] )

该函数根据包含正则表达式的字符串创建模式对象，返回一个pattern对象。参数flags是匹配模式，可以使用按位或“|”表示同时生效，也可以在正则表达式字符串中指定。Pattern对象是不能直接实例化的，只能通过compile方法得到。

简单举个实例，使用正则表达式获取字符串中的数字内容，如下所示：

>>> import re
 >>> string="A1.45，b5，6.45，8.82"
 >>> regex = re.compile(r"\d+\.?\d*")
 >>> print regex.findall(string)
 ['1.45', '5', '6.45', '8.82']
 >>>

3.match方法

match方法是从字符串的pos下标处起开始匹配pattern，如果pattern结束时已经匹配，则返回一个match对象；如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。该方法原型如下：

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
参数string表示字符串；pos表示下标，pos和endpos的默认值分别为0和len(string)；参数flags用于编译pattern时指定匹配模式。

4.search方法

search方法用于查找字符串中可以匹配成功的子串。从字符串的pos下标处尝试匹配pattern，如果pattern结束时仍可匹配，则返回一个match对象；若pattern结束时仍无法匹配，则将pos加1后重新尝试匹配；直到pos=endpos时仍无法匹配则返回None。函数原型如下：

search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
参数string表示字符串；pos表示下标，pos和endpos的默认值分别为0和len(string))；参数flags用于编译pattern时指定匹配模式。

5.group和groups方法

group([group1, …])方法用于获得一个或多个分组截获的字符串，当它指定多个参数时将以元组形式返回，没有截获字符串的组返回None，截获了多次的组返回最后一次截获的子串。groups([default])方法以元组形式返回全部分组截获的字符串，相当于多次调用group，其参数default表示没有截获字符串的组以这个值替代，默认为None。

三.Python网络数据爬取的常用模块

本小节介绍Python网络数据爬取的常用模块或库，主要包括urlparse模块、urllib模块、urllib2模块和requests模块，这些模块中的函数都是基础知识，但也非常重要。

1.urllib模块

本书首先介绍Python网络数据爬取最简单并且应用比较广泛的第三方库函数urllib。urllib是Python用于获取URL（Uniform Resource Locators，统一资源定址器）的库函数，可以用来抓取远程数据并保存，甚至可以设置消息头（header）、代理、超时认证等。

urllib模块提供的上层接口让我们像读取本地文件一样读取www或ftp上的数据。它比C++、C#等其他编程语言使用起来更方便。其常用的方法如下：

urlopen urlopen(url, data=None, proxies=None)

该方法用于创建一个远程URL的类文件对象，然后像本地文件一样操作这个类文件对象来获取远程数据。参数url表示远程数据的路径，一般是网址；参数data表示以post方式提交到url的数据；参数proxies用于设置代理。urlopen返回一个类文件对象。urlopen提供了如下表所示。

注意，在Python中我们可以导入相关扩展包，通过help函数查看相关的使用说明，如下图所示。

下面通过一个实例讲述Urllib库函数爬取百度官网的实例。

# -*- coding:utf-8 -*-
import urllib.request
import webbrowser as web  

url = "http://www.baidu.com"
content = urllib.request.urlopen(url)

print(content.info())     #头信息
print(content.geturl())   #请求url
print(content.getcode())  #http状态码

#保存网页至本地并通过浏览器打开
open("baidu.html","wb").write(content.read())
web.open_new_tab("baidu.html")

该段调用调用urllib.urlopen(url)函数打开百度链接，并输出消息头、url、http状态码等信息，如下图所示。

代码import webbrowser as web引用webbrowser第三方库，然后可以使用类似于“modulename.method”调用对应的函数。open().write()表示在本地创建静态的baidu.html文件，并读取已经打开的百度网页内容，执行文件写操作。web.opennew_tab("baidu.html")表示通过浏览器打开已经下载的静态网页新标签。其中下载并打开的百度官网静态网页“baidu.html”文件如下图所示。

同样可以使用下列代码在浏览器中直接打开在线网页。

web.opennewtab("http://www.baidu.com")

urlretrieve urlretrieve(url, filename=None, reporthook=None, data=None)

urlretrieve方法是将远程数据下载到本地。参数filename指定了保存到本地的路径，如果省略该参数，urllib会自动生成一个临时文件来保存数据；参数reporthook是一个回调函数，当连接上服务器，相应的数据块传输完毕时会触发该回调，通常使用该回调函数来显示当前的下载进度；参数data指传递到服务器的数据。下面通过例子来演示将新浪首页网页抓取到本地，保存在“D:/sina.html”文件中，同时显示下载进度。

# -*- coding:utf-8 -*-
import urllib.request
   
# 函数功能：下载文件至本地，并显示进度
# a-已经下载的数据块, b-数据块的大小, c-远程文件的大小
def Download(a, b, c):
    per = 100.0 * a * b / c
    if per > 100:
        per = 100
    print('%.2f' % per)
url = 'http://www.sina.com.cn'
local = 'd://sina.html'
urllib.request.urlretrieve(url, local, Download)

上面介绍了urllib模块中常用的两个方法，其中urlopen()用于打开网页，urlretrieve()方法是将远程数据下载到本地，主要用于爬取图片。注意，Python2可以直接引用，而Python3需要通过urllib.request调用。

抓取百度logo图片如下图所示：

2.urlparse模块

urlparse模块主要是对url进行分析，其主要操作是拆分和合并url各个部件。它可以将url拆分为6个部分，并返回元组，也可以把拆分后的部分再组成一个url。主要有函数有urljoin、urlsplit、urlunsplit、urlparse等。

urlparse urlparse.urlparse(urlstring[, scheme[, allow_fragments]])

该函数将urlstring值解析成6个部分，从urlstring中取得url，并返回元组(scheme, netloc, path, params, query, fragment)。该函数可以用来确定网络协议（HTTP、FTP等）、服务器地址、文件路径等。实例代码如下所示。

输出如下所示，包括scheme、netloc、path、params、query、fragment六部分内容。

>>> 
ParseResult(
    scheme='http', 
    netloc='www.eastmount.com', 
    path='/index.asp', 
    params='', 
    query='id=001', 
    fragment=''
)
www.eastmount.com
>>>

同样可以调用urlunparse()函数将一个元组内容构建成一条Url。函数如下：

urlunparse urlparse.urlunparse(parts)

该元组类似urlparse函数，它接收元组(scheme, netloc, path, params, query, fragment)后，会重新组成一个具有正确格式的url，以便供Python的其他HTML解析模块使用。示例代码如下：

输出如下图所示。

四.正则表达式抓取网络数据的常见方法

接着介绍常用的正则表达式抓取网络数据的一些技巧，这些技巧都是来自于作者自然语言处理和数据抓取的项目经验，可能不是很系统，但也希望能给读者提供一些抓取数据的思路，从而更好地解决一些实际问题。

1.抓取标签间的内容

HTML语言是采用标签对的形式来编写网站的，包括起始标签和结束标签，比如< head>、< tr>、< script>< script>等。下面讲解抓取标签对之间的文本内容，比如抓取< title>Python标签对之间的“Python”内容。

(1) 抓取title标签间的内容

'<title>(.*?)</title>'

首先我们可以采用该正则表达式来抓取起始标签< title >和结束标签< /title >之间的内容，“(.*?)”就代表着我们需要抓取的内容。下面这段代码是爬取百度官网的标题，即“百度一下，你就知道”。

# coding=utf-8  
import re  
import urllib.request
url = "http://www.baidu.com/"  
content = urllib.request.urlopen(url).read()
title = re.findall(r'<title>(.*?)</title>', content.decode('utf-8'))
print(title[0])
# 百度一下，你就知道

代码调用urllib库的urlopen()函数打开超链接，并调用正则表达式re库中的findall()函数寻找title标签间的内容。由于findall()函数是获取所有满足该正则表达式的文本，这里只需要输出第一个值title[0]即可。注意，Python3需要转换utf8编码，否则会报错。

下面讲解另一种方法，用来获取标题起始标签（< title>）和结束标签（）之间的内容，同样输出百度官网标题“百度一下，你就知道”。

# coding=utf-8  
import re  
import urllib.request

url = "http://www.baidu.com/"  
content = urllib.request.urlopen(url).read()
pat = r'(?<=<title>).*?(?=</title>)'    
ex = re.compile(pat, re.M|re.S)
obj = re.search(ex, content.decode('utf-8'))
title = obj.group()  
print(title)
# 百度一下，你就知道

(2) 抓取超链接标签间的内容

在HTML中，< a href=url>超链接标题用于标识超链接，下面的代码用于获取完整的超链接，同时获取超链接< a>和之间的标题内容。

# coding=utf-8  
import re  
import urllib.request
url = "http://www.baidu.com/"  
content = urllib.request.urlopen(url).read()

#获取完整超链接
res = r"<a.*?href=.*?<\/a>"
urls = re.findall(res, content.decode('utf-8'))
for u in urls:
    print(u)

#获取超链接<a>和</a>之间内容
res = r'<a .*?>(.*?)</a>'  
texts = re.findall(res, content.decode('utf-8'), re.S|re.M)  
for t in texts:
    print(t)

输出结果部分内容如下所示，这里如果采用“print(u)”或“print(t)”语句直接输出结果。

(3) 抓取tr标签和td标签间的内容

网页常用的布局包括table布局或div布局，其中table表格布局中常见的标签包括tr、th和td，表格行为tr（table row），表格数据为td（table data），表格表头为th（table heading）。那么如何抓取这些标签间的内容呢？下面是获取它们之间内容的代码。假设存在HTML代码如下所示:

运行结果如下图所示：

正则表达式爬取tr、th、td标签之间内容的Python代码如下。

输出结果如下，首先获取tr之间的内容，然后再在tr之间内容中获取< th>和之间值，即“学号”、“姓名”，最后是获取两个< td>和之间的内容。注意，Python3解析本地文件可能会出错，掌握方法更重要。

如果包含属性值，则正则表达式修改为“< td id=.?>(.?)”。同样，如果不一定是id属性开头，则可以使用正则表达式“(.*?)”。

2.爬取标签中的参数

(1) 抓取超链接标签的url

HTML超链接的基本格式为“< a href=url>链接内容”，现在需要获取其中的url链接地址，方法如下：

输出内容如下：

(2) 抓取图片超链接标签的url

在HTML中，我们可以看到各式各样的图片，其图片标签的基本格式为“< img src=图片地址 />”，只有通过抓取了这些图片的原地址，才能下载对应的图片至本地。那么究竟怎么获取图片标签中的原图地址呢？下面这段代码就是获取图片链接地址的方法。

原图地址为“http://../eastmount.jpg”，它对应一张图片，该图片是存储在“www.yangxiuzhang.com”网站服务器端的，最后一个“/”后面的字段为图片名称，即为“eastmount.jpg”。那么如何获取url中最后一个参数呢？

(3) 获取url中最后一个参数

在使用Python爬取图片过程中，通常会遇到图片对应的url最后一个字段用来命名图片的情况，如前面的“eastmount.jpg”，需要通过解析url“/”后面的参数来获取图片。

该段代码urls.split('/')[-1]表示采用字符“/”分割字符串，并且获取最后一个所获取的值，即为图片名称“eastmount.jpg”。

3.字符串处理及替换

在使用正则表达式爬取网页文本时，通常需要调用find()函数找到指定的位置，再进行进一步爬取，比如获取class属性为“infobox”的表格table，再进行定位爬取。

同时，爬取过程中可能会爬取到无关变量，此时需要对无关内容进行过滤，这里推荐使用replace函数和正则表达式进行处理。比如爬取内容如下所示:

输出内容如下所示：

此时需要过滤多余字符串，如换行（< br />）、空格（& nbsp;）、加粗（< B>），过滤代码如下:

采用replace将字符串“< br />”和“'& nbsp;”替换成空白，实现过滤，而加粗（< B>）需要使用正则表达式过滤。输出结果如下：

五.个人博客爬取实例

切记：这个例子可能不是非常好，但是作为入门及正则表达式结合挺好的。刚开始学习Python网络爬虫不要嫌麻烦，只有通过类似的训练，以后面对类似的问题你才会得心应手，更好的抓取需要的数据。

1.分析过程

在讲述了正则表达式、常用网络数据爬取模块、正则表达式爬取数据常见方法等内容之后，我们将讲述一个简单的正则表达式爬取网站的实例。这里讲解使用正则表达式爬取作者个人博客网站的简单示例，获取所需内容。

作者的个人网址打开如图所示。假设现在需要爬取的内容如下：

博客网址的标题（title）内容
爬取所有图片的超链接，比如爬取< img src=”xxx.jpg” />中的“xxx.jpg”
分别爬取博客首页中的四篇文章的标题、超链接及摘要内容，比如标题为“再见北理工：忆北京研究生的编程时光”
http://www.eastmountyxz.com/

第一步浏览器源码定位

首先通过浏览器定位需要爬取元素的源代码，比如文章标题、超链接、图片等，发现这些元素对应HTML源代码存在的规律，这称为DOM树文档节点分析。通过浏览器打开网页，选中需要爬取的内容，右键鼠标并点击“审查元素”或“检查”，即可找到所需爬取节点对应的HTML源代码，如图所示。

标题“再见北理工：忆北京研究生的编程时光”位于< div class=”essay”>节点下，它包括一个< h1>记录标题，一个< p>记录摘要信息，即：

这里需要通过网页标签的属性和属性值来标记爬虫节点，即找到class属性为“essay”的div，就可以定位第一篇文章的位置。同理，其余三篇文章为< div class=”essay1”>、< div class=”essay2”>和< div class=”essay3”>，定位这些节点即可。

第二步正则表达式爬取标题

网站的标题通常位于< head>< title>...之间，该网站标题HTML代码如下：

<head>
   <meta charset=”utf-8”>
   <title>秀璋学习天地</title>
   ....
</head>

爬取博客网站的标题“秀璋学习天地”的方法是通过正则表达式“< title>(.*?)”实现，代码如下，首先通过urlopen()函数访问博客网址，然后定义正则表达式爬取。

import re
import urllib.request

url = "http://www.eastmountyxz.com/"
content = urllib.request.urlopen(url).read()
title = re.findall(r'<title>(.*?)</title>', content.decode('utf-8'))
print(title[0])

输出结果如下图所示：

第三步正则表达式爬取所有图片地址

由于HTML插入图片标签格式为“< img src=图片地址 />”，则使用正则表达式获取图片地址的方法为：获取以“src=”开头，以双引号结尾的内容即可。代码如下：

输出的结果如下所示，共显示了6张图片。

需要注意：这里的每张图片都省略了博客地址：

http://www.eastmountyxz.com/

我们需要对所爬取的图片地址进行拼接，增加原博客地址拼成完整的图片地址，再进行下载，并且该地址通过浏览器可以直接访问查看。如:

http://www.eastmountyxz.com/images/11.gif

第四步正则表达式爬取博客内容

前面第一步讲述了如何定位四篇文章的标题，第一篇文章位于< div class=”essay”>和标签之间，第二篇位于< div class=”essay1”>和，依次类推。但是该HTML代码存在一个错误：class属性通常表示一类标签，它们的值都应该是相同的，所以这四篇文章的class属性都应该是“essay”，而name或id才是用来标识标签的唯一属性。

这里使用find('< div class="essay" >')函数来定位第一篇文章的起始位置，使用find('< div class="essay1" >')函数来定位第一篇文章的结束位置，从而获取< div class=”essay”>到之间的内容。比如获取第一篇文章的标题和超链接代码如下：

输出内容如下，获取第一篇博客的HTML源代码。

该部分代码分为三步骤：

调用urllib库的urlopen()函数打开博客地址，并读取内容赋值给content变量。
调用find()函数查找特定的内容，比如class属性为“essay”的div标签，依次定位获取开始和结束的位置。
进行下一步分析，获取源码中的超链接和标题等内容。

定位这段内容之后，再通过正则表达式获取具体内容，代码如下：

调用正则表达式分别获取内容，由于爬取的段落（P）存在换行内容，所以需要加入re.M和re.S支持换行查找，最后输出结果如下：

2.代码实现

完整代码如下：

#coding:utf-8
import re
import urllib.request

url = "http://www.eastmountyxz.com/"
content = urllib.request.urlopen(url).read()
data = content.decode('utf-8')

#爬取标题
title = re.findall(r'<title>(.*?)</title>', data)
print(title[0])

#爬取图片地址
urls = re.findall(r'src="(.*?)"', data)
for url in urls:
    print(url)

#爬取内容
start = data.find(r'<div class="essay">')
end = data.find(r'<div class="essay1">')
page = data[start:end]           
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
t1 = re.findall(res, page)  #超链接
print(t1[0])
t2 = re.findall(r'<a .*?>(.*?)</a>', page)  #标题
print(t2[0])
t3 = re.findall('<p style=.*?>(.*?)</p>', page, re.M|re.S) #摘要
print(t3[0])
print('')

start = data.find(r'<div class="essay1">')
end = data.find(r'<div class="essay2">')
page = data[start:end]           
res = r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')"
t1 = re.findall(res, page)  #超链接
print(t1[0])
t2 = re.findall(r'<a .*?>(.*?)</a>', page)  #标题
print(t2[0])
t3 = re.findall('<p style=.*?>(.*?)</p>', page, re.M|re.S) #摘要
print(t3[0])

输出结果如图所示。

通过上面的代码，读者会发现使用正则表达式爬取网站还是比较繁琐，尤其是定位网页节点时，后面将讲述Python提供的常用第三方扩展包，利用这些包的函数进行定向爬取。

六.总结

正则表达式是通过组合的“规则字符串”来对表达式进行过滤，从复杂内容中匹配想要的信息。它的主要对象是文本，适合于匹配文本字符串等内容，不适合匹配文本意义，比如匹配URL、Email这种纯文本的字符就非常适合。各种编程语言都能使用正则表达式，比如C#、Java、Python等。

正则表达式爬虫常用于获取字符串中的某些内容，比如提取博客阅读量和评论数的数字，截取URL域名或URL中某个参数，过滤掉特定的字符或检查所获取的数据是否符合某个逻辑，验证URL或日期类型等。由于其比较灵活、逻辑性和功能性较强的特点，使它能迅速地以极简单的方式从复杂字符串中达到匹配目的。

但它对于刚接触的人来说，正则表达式比较晦涩难懂，但只有走过这些坑后面抓取数据才会更加得心应手。同时，通过它获取HTML中某些特定文本也比较困难，尤其是当网页HTML源代码中结束标签缺失或不明显的情况。接下来作者将讲述更为强大、智能的第三方爬虫扩展包，主要是BeautifulSoup和Selenium等技术。

参考文献如下：