很多时候我们想要获得网站的数据，但是网站并没有提供相应的API调用，这时候应该怎么办呢？还有的时候我们需要模拟人的一些行为，例如点击网页上的按钮等，又有什么好的解决方法吗？这些正是python和网页爬虫的应用场景。python是一种动态解释性语言，简单的语法和强大的库支持使得python在数据收集、数据分析、网页分析、科学计算等多个领域被广泛使用。
本文主要总结一下如何用python自己写一个简单的爬虫，以及可能出现的问题与解决方法。
首先介绍一下大概的思路，首先需要在程序中连接网站并发送GET请求得到html文件，然后需要解析html文件，根据某种规律将需要的信息提取出来，然后用合适的方式处理数据并保存。
（一）python中用于http连接的库——urllib2
首先放上python文档的链接，英文好的同学可*阅读：https://docs.python.org/2/library/urllib2.html?highlight=urllib2#module-urllib2
这个库是python用来解析URL主要是HTTP的主要工具，而且提供了对身份认证、重定向、cookie等的支持，具体用法可以仔细的读文档，这里作为最简单的场景，我介绍如何打开一个URL并得到对应的HTML页面。只要使用一个函数：
urllib2.urlopen(url[, data[, timeout[, cafile[, capath[, cadefault[, context]]]]])
1、函数的参数url可以是一个string也可以是一个request对象，如果提供了参数列表中data的值（dict类型）那么函数将发送POST请求，默认情况是发送GET。另外，很多人说没法设置连接的timeout，然后提供了一堆类似修改socket全局timeout的方法，其实这里可以直接设定的嘛！
2、函数的返回值。函数返回一个类文件的东西，which means，函数返回的值可以当一个文件类来操作，只是多了三个方法：
- geturl（）返回这个html对应的url
- info（） 返回这个html文件的元信息例如headers
- getcode（）返回网站的返回的状态码，如200表示OK，404表示not found之类。
3、函数抛出的异常：URLError例如发生无网络连接这种事情。socket.timeout如果你设置了timeout参数，超时后便会抛出此异常。
所以这里的代码可以这样写：
import urllib2
import socket
def gethtml(url):
try:
f = urllib2.urlopen(url,timeout=10)
data = f.read()
except socket.timeout, e:
data = None
print "time out!"
with open("timeout",'a') as log:
log.write(url+'\n')
except urllib2.URLError,ee:
data = None
print "url error"
finally:
return data
这样就可以得到对应URL的网页的html代码了（但是在具体应用你可能会碰到蛋疼的问题，我碰到的会列在下面）
（二）对html的解析
获得了网页源代码后我们需要从里面提取出接下来要爬取的URL或者我们需要的数据，这就需要对html解析。2.7版本的python中，内置的解析类是HTMLParser，库文档：https://docs.python.org/2/library/htmlparser.html?highlight=htmlparser
其实，你要做的全部，就是继承这个类，然后把里面的接口函数实现，他看起来是这样子的：
from HTMLParser import HTMLParser # create a subclass and override the handler methods
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print "Encountered a start tag:", tag
def handle_endtag(self, tag):
print "Encountered an end tag :", tag
def handle_data(self, data):
print "Encountered some data :", data
例如对于一个最简单的html文件：
<html>
<head>
<title>Test</title>
</head>
<body>
<h1>Parse me!</h1>
</body>
</html>
当程序遇到每一个标签的开始时便会调用handle_starttag函数，遇到标签结束就会调用handle_endtag，遇到标签之间的数据就会调用handle_data可以结合最后贴出的示例代码进一步理解。想要解析这个文件只要如下写：
＃例如借用上面的gethtml函数
def parse():
html = gethtml("http://baidu.com",timeout=10)
parser = MyParser()
parser.feed(html)
parser.close()
调用feed函数把html放入缓冲区，调用close函数强制parser开始解析html
（三）问题与解决方法：
1、得到的html文档是乱码
这个问题可能有很多原因引起，最主要的两个是：网页的编码方式和你的解码方式不匹配。关于编码和解码推荐读一下这个博客：http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386819196283586a37629844456ca7e5a7faa9b94ee8000
这时候你会明白编码问题确实导致了文件的不可读。所以你要正确获得网页的编码方式，然后调用对应的解码器，代码可能是这样的：
f = urllib2.urlopen(url,timeout=10)
data = f.read()
# decode the html
contentType = f.headers.get('Content-Type')
if contentType.find("gbk"):
data = unicode(data, "GBK").encode("utf-8")
elif contentType.find("utf-8"):
pass
当然，编码方式可能多种，不止GBK
2、还是乱码
如果还是乱码，可能你依然没有选对解码器，也可能是网页被压缩过了，这时候你要先把网页解压缩，然后正确解码，解码的代码可能是这样的：
import StringIO, gzip f = urllib2.urlopen(url,timeout=10)
# consider some html is compressed by server with gzip
isGzip = f.headers.get('Content-Encoding')
if isGzip:
compressedData = f.read()
compressedStream = StringIO.StringIO(compressedData)
gzipper = gzip.GzipFile(fileobj=compressedStream)
data = gzipper.read()
else:
data = f.read()
3、调用urlopen函数后程序卡住
这个的主要问题是没有设置timeout参数，导致网络不通畅时引起urlopen函数无限等待，程序卡死，所以，设置timeout＝10例如，单位是秒，并处理抛出的socket.timeout异常，就可以避免这个问题了。
4、被服务器拉黑
如果你对某个域名访问速度太快，就可能被服务器认定为潜在的DDos攻击，IP就会被封一段时间。解决方法是不要过快的访问可以使用sleep语句参数单位为秒。
import time for url in urllist:
f = urllib2.urlopen(url,timeout=10)
...
time.sleep(1)
（四）小爬虫
自己写了一个小爬虫，目的是爬取www.gaokao.com网上所有本科大学历年的分数线等数据，其中schoollist文件存储了所有大学的ID号，你可以手写一个list代替例如：
schoollist = ['','','']
代码就暴力贴了：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
__author__ = 'holmes' from HTMLParser import HTMLParser
import urllib2
import StringIO, gzip
import threading
import os
import time
import sys
import socket # hard code
LOCATION = ("北京", "天津", "辽宁", "吉林", "黑龙江", "上海", "江苏", "浙江", "安徽", "福建", "山东", "湖北",
"湖南", "广东", "重庆", "四川", "陕西", "甘肃", "河北", "山西", "内蒙古", "河南", "海南", "广西",
"贵州", "云南", "*", "青海", "宁夏", "*", "江西",)
# hard code
SUBJECT = ("理科", "文科",)
'''Rules for URL
http://college.gaokao.com/school/tinfo/%d/result/%d/%d/ %(schoolID,localID,subID)
where localID from 1 to 31
where subID from 1 to 2
'''
SEED = "http://college.gaokao.com/school/tinfo/%s/result/%s/%s/" SID = "schoolID" # file name contains school IDs class SpiderParser(HTMLParser):
def __init__(self, subject=1, location=1):
HTMLParser.__init__(self)
self.campus_name = ""
self.subject = SUBJECT[subject - 1]
self.location = LOCATION[location - 1]
self.table_content = [[], ]
self.line_no = 0 self.__in_h2 = False
self.__in_table = False
self.__in_td = False def handle_starttag(self, tag, attrs):
if tag == "h2":
self.__in_h2 = True
if tag == "table":
self.__in_table = True if tag == "tr" and len(attrs) != 0:
if self.__in_table:
self.table_content[self.line_no].append(self.campus_name)
self.table_content[self.line_no].append(self.subject)
self.table_content[self.line_no].append(self.location) if tag == "td":
if self.__in_table:
self.__in_td = True def handle_endtag(self, tag):
if tag == "h2":
self.__in_h2 = False
if tag == "table":
self.__in_table = False
if tag == "tr":
if self.__in_table:
self.line_no += 1
self.table_content.append([])
if tag == "td":
if self.__in_table:
self.__in_td = False def handle_data(self, data):
if self.__in_h2:
self.campus_name = data
if self.__in_td:
self.table_content[self.line_no].append(data) def getschoolID():
with open(SID, mode='r') as rf:
idlist = rf.readlines()
print idlist
return idlist def gethtml(url):
try:
f = urllib2.urlopen(url,timeout=10)
# consider some html is compressed by server with gzip
isGzip = f.headers.get('Content-Encoding')
if isGzip:
compressedData = f.read()
compressedStream = StringIO.StringIO(compressedData)
gzipper = gzip.GzipFile(fileobj=compressedStream)
data = gzipper.read()
else:
data = f.read()
# decode the html
contentType = f.headers.get('Content-Type')
if contentType.find("gbk"):
data = unicode(data, "GBK").encode("utf-8")
elif contentType.find("utf-8"):
pass
except socket.timeout, e:
data = None
print "time out!"
with open("timeout",'a') as log:
log.write(url+'\n')
finally:
return data def parseandwrite((slID, lID, sID), wfile):
try:
url = SEED % (slID, lID, sID)
html = gethtml(url)
if html is None:
print "pass a timeout"
return
parser = SpiderParser(sID, lID)
parser.feed(html)
parser.close()
if parser.line_no != 0:
for line in parser.table_content:
for item in line:
if "--" in item:
item = "NULL"
wfile.write(item + ',')
wfile.write('\n')
except urllib2.URLError, e:
print "url error in parseandwrite()"
raise def thread_task(idlist, name):
try:
print "thread %s is start" % name
wf = open(name, mode='w')
wf.write("大学名称,文理,省份,年份,最低分,最高分,平均分,录取人数,录取批次")
for sID in idlist:
print name + ":%s" % idlist.index(sID)
sID = sID.strip('\n')
i = 1.0
for localID in range(1, 32):
for subID in range(1, 3):
parseandwrite((sID, localID, subID), wf)
sys.stdout.write("\rprocess:%.2f%%" % (i / 62.0 * 100))
sys.stdout.flush()
i += 1.0
time.sleep(1)
except urllib2.URLError:
with open("errorlog_" + name, 'w') as f:
f.write("schoolID is %s , locationID is %s ,subID is %s" % (sID, localID, subID))
print "schoolID is %s ,locationID is %s ,subID is %s" % (sID, localID, subID)
finally:
wf.close() THREAD_NO = 1 def master():
school = getschoolID()
for i in range(THREAD_NO):
path = os.path.join(os.path.curdir, "errorlog_" + str(i))
if os.path.exists(path):
with open("errorlog_" + str(i), 'r') as rf:
sID = rf.readline().split()[2]
start = school.index(sID)
else:
start = len(school) / THREAD_NO * i
end = len(school) / THREAD_NO * (i + 1) - 1
if i == THREAD_NO - 1:
end = len(school) - 1
t = threading.Thread(target=thread_task, args=(school[start:end], "thread" + str(i),))
t.start()
print "start:%s \n end:%s" % (start, end)
t.join() print "finish" if __name__ == '__main__':
# thread_task(["1"],"test")
master()
# gethtml("http://www.baidu.com")