如何使用Python制作网络爬虫

Python在近几年迅速咋程序界掀起了不小的波澜，而关于python的第三库也使广大程序员趋之若鹜，今天我们就由浅入深的探讨一下如何使用python做一个“网络爬虫”来抓取一些页面信息。今天我们使用的库（包含python自身携带的库和第三库）

Python简介

Python（英国发音：/ˈpaɪθən/ 美国发音：/ˈpaɪθɑːn/）, 是一种面向对象的解释型计算机程序设计语言，由荷兰人Guido van Rossum于1989年发明，第一个公开发行版发行于1991年。

Python是纯粹的自由软件， 源代码和解释器CPython遵循 GPL(GNU General Public License)协议[2] 。Python语法简洁清晰，特色之一是强制用空白符(white space)作为语句缩进。

Python具有丰富和强大的库。它常被昵称为胶水语言，能够把用其他语言制作的各种模块（尤其是C/C++）很轻松地联结在一起。常见的一种应用情形是，使用Python快速生成程序的原型（有时甚至是程序的最终界面），然后对其中[3] 有特别要求的部分，用更合适的语言改写，比如3D游戏中的图形渲染模块，性能要求特别高，就可以用C/C++重写，而后封装为Python可以调用的扩展类库。需要注意的是在您使用扩展类库时可能需要考虑平台问题，某些可能不提供跨平台的实现。

网络爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），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。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

例子中设计的库

1. URLLIB

    Python 3 的 urllib 模块是一堆可以处理 URL 的组件集合。如果你有 Python 2 的知识，那么你就会注意到 Python 2 中有 urllib 和 urllib2 两个版本的模块。这些现在都是 Python 3 的 urllib 包的一部分。当前版本的 urllib 包括下面几部分：urllib.request  urllib.error  urllib.parse urllib.rebotparser。
     

2. BeautifulSoup
   Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

如何使用Urllib

   #-*- coding: utf-8 -*-
    #导入urllib库中的request
    from urllib import  request  
    #使用request的Request方法，括号中的参数为你想爬取的网址地址            
    req = request.Request("http://www.baidu.com")  
    #使用req的add_header方法向其中添加一些参数以使得你的爬虫看起来像一个普通的HTTP访问，这个你可以使用浏览器的开发者工具中查到，例如在谷歌浏览器中，打开你想爬取的网页，按F12,截图如下：
    ![图片描述][1]
    req.add_header("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36")
    
    #获取所需爬取网站的信息
    resp = request.urlopen(req)
    #打印该信息
    print(resp.read().decode("utf-8"))

使用Urllib和BeautifulSoup爬取维基网站首页的链接信息

1. 安装Beautifulsoup
   在此我提供使用pip命令行来安装 ,pip install BeautifulSoup.或者可以参考一下博客也可，博客连接：

[链接描述][1][1]: http://blog.csdn.net/jenyzhang/article/details/45828481
 

1. 具体实现（非常简单）

   #-- coding: utf-8 -#
   #引入开发包
   from urllib.request import Request
   from urllib.request import urlopen
   from bs4 import BeautifulSoup
   import re
   #请求URL，并把URL用UTF-8编码
   resp = urlopen("https://en.wikipedia.org/wiki/Main_Page").read().decode("utf-8")
   #使用BeautifulSoup去解析
   soup = BeautifulSoup(resp,"html.parser")
   #去获取所有以/wiki/开头的a标签的href属性
   listUrls = soup.findAll("a",href=re.compile("^/wiki/"))
   for url in listUrls:

      #使用正则表达式来筛选出后缀名为.jpg或者.JPG的连接
      if not re.search("\.(jpg|JPG)$",url["href"]):
      #打印所爬取的信息
        print(url.get_text(),"<---->","https://en.wikipedia.org",url["href"])
    
    

最后附上项目的源码地址，当然其中还有一些关于urllib和beautifusoup 以及如何将信息存储在mysql的联系，大家有兴趣的可以看一下。
链接：http://pan.baidu.com/s/1pLiePCn 密码：mh4t