基于python的网络爬虫设计Word文档格式.doc

1、聚焦爬虫是一个自动下载网页的程序，它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（generalpurpose web crawler）不同，聚焦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。 1.2编程设计目及思路1.2.1编程设计目的 学习了解并熟练掌握python的语法规则和基本使用，对网络爬虫的基础知识进行了一定程度的理解，提高对网页源代码的认知水平，学习用正则表达式来完成匹配查找的工作，了解数据库的用途，学习mongodb数据库的安装和使用，及配合python的工作。1.2.2设计思路

2、（1） 以世纪佳缘网为例，思考自己所需要的数据资源，并以此为基础设计自己的爬虫程序。（2） 应用python伪装成浏览器自动登陆世纪佳缘网，加入变量打开多个网页。（3） 通过python的urllib2函数进行世纪佳缘网源代码的获取。（4） 用正则表达式分析源代码，找到所需信息导入excel。（5） 连接数据库，将爬下的数据存储在数据库中。1.3本编程设计应达到的要求 1、对特定的网站爬取特定的数据； 2、实现代码和得到结果； 3、能够和数据库进行连接，将爬下的数据存储在数据库中。 4、将爬下的数据储存在excel中方便编辑。2 编程设计方案2.1爬取方案2.1.1所需爬取的数据以世纪佳缘网为

3、例，所需要爬取的数据为注册世纪佳缘网的人的用户名、真实姓名、性别、年龄、学历、月收入这些直观信息。2.1.2用python获取世纪佳缘网的源代码爬虫最主要的处理对象就是URL，它根据URL地址取得所需要的文件内容，然后对它 进行进一步的处理。因此，准确地理解URL对理解网络爬虫至关重要。URL是URI的一个子集。它是Uniform Resource Locator的缩写，译为“统一资源定位 符”。通俗地说，URL是Internet上描述信息资源的字符串，主要用在各种WWW客户程序和服务器程序上。采用URL可以用一种统一的格式来描述各种信息资源，包括文件、服务器的地址和目录等。URL的格式由三部

4、分组成：第一部分是协议（或称为服务方式）。第二部分是存有该资源的主机IP地址（有时也包括端口号）。第三部分是主机资源的具体地址，如目录和文件名等。第一部分和第二部分用“:/”符号隔开，第二部分和第三部分用“/”符号隔开。第一部分和第二部分是不可缺少的，第三部分有时可以省略。例如：其计算机域名为；超级文本文件（文件类型为.html）是在目录/talk下的talk1.htm。这是瑞得聊天室的地址，可由此进入瑞得聊天室的第1室。Python获取网页源代码可用urllib或urllib2函数进行，极其方便快捷，代码如下：importurllib2response=urllib2.urlopen（htm

5、lresponse.read（）print2.1.3应用python伪装成浏览器自动登陆世纪佳缘网，加入变量打开多个网页。 有了源代码就可以进行数据的爬取了，但是因为世纪佳缘网近日进行了改版，简单的爬虫程序已经无法在对其进行全网页的爬取工作了，所以，在获取数据之前，需要对爬虫进行一下伪装，使其成为一个浏览器，以实现全网页的爬取工作。 应用opener和header的基础知识即可实现伪装成浏览器这一步骤。在伪装的同时，需要加入变量来打开多个网页，是的爬取工作可以顺利进行。代码如下：r=0w=3013while 3012w（.*?）/.+?>/h2.+?/b/s.+?/sp.+?, re.D

6、OTALL） 2.2存储方案 2.2.1储存在excel表格中 Excel表格具有方便筛选、查找和编辑的特点，所以将网络爬虫爬取的数据储存在excel表格中是首选。 使用python建立excel表格是十分容易，代码如下：filename = xlwt.Workbook （）sheet = filename.add_sheet（name） 建立完成后可将数据写入excel表格： for a in x: sheet.write（r,0,a0.decode（utf-8） sheet.write（r,1,a1.decode（ sheet.write（r,2,a2.decode（ sheet.writ

7、e（r,3,a3.decode（ sheet.write（r,4,a4.decode（ sheet.write（r,5,a5.decode（ r=r+1 print r+3012 filename.save（test3.xls 2.2.2储存在数据库中 数据库指的是以一定方式储存在一起、能为多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。将数据储存在数据库中也具有直观简洁的特点。 Python调用数据库是用pymongo模块，创建与导入代码如下：db = pymongo.Connection（）.testfor a in x: values=dict（ img=a0.deco

8、de（）, infor=a1.decode（ age=a2.decode（ adress=a3.decode（ marry=a4.decode（ ） db.user.insert（valuesvalues） content = db.user.find（） for a in x: print img:+a0.decode（infor:+a1.decode（age:+a2.decode（adress:+a3.decode（marry:+a4.decode（3、 总结 本程序利用了python语言编写网络爬虫程序，实现了从世纪佳缘网上爬取用户数据资料，使用urllib函数以及re模块、pymong

9、o模块进行源代码的获取、编辑和数据的导出，并针对网页代码中无性别显示的问题，采取爬取注册用户信息同时爬取注册用户照片地址的方式解决，浏览所爬取信息时，只需将照片地址输入浏览器地址栏，即可得到所查看用户上传的自拍照，得到形象信息。总的来说程序设计简便、实用性强、便于读取和再利用。4、附录4.1将爬取数据储存在excel表格4.1.1 源代码#coding=gbkimport reimport xlwtimport cookielibimport urllib,urllib2#, re.DOTALL） html=op.read（） x=find_re.findall（html） 4.1.2 爬取数据汇总截图4.2将爬取数据写入数据库4.2.1 源代码import urllibimport pymongow=11while 1020: page=urllib.urlopen（ html=page.read（） x=find_re.findall（html）4.2.2 爬取数据汇总截图参考文献（1） Guido van rossum Python手册（2） Magnus Lie Hetlar python基础教程（3） 罗刚 ,王振东 自己动手写网络爬虫