基于python的网络爬虫设计Word文档格式.doc
《基于python的网络爬虫设计Word文档格式.doc》由会员分享,可在线阅读,更多相关《基于python的网络爬虫设计Word文档格式.doc(9页珍藏版)》请在冰点文库上搜索。
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(generalpurposewebcrawler)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
(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UniformResourceLocator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的格式由三部分组成:
①第一部分是协议(或称为服务方式)。
②第二部分是存有该资源的主机IP地址(有时也包括端口号)。
③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:
import
urllib2
response
=
urllib2.urlopen('
html
response.read()
print
2.1.3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=0
w=3013
while3012<
w<
9999:
w=w+1
k=str(w)
login_page="
cj=cookielib.CookieJar()
opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
opener.addheaders=[('
User-agent'
'
Mozilla/4.0(compatible;
MSIE6.0;
WindowsNT5.1)'
)]
data=urllib.urlencode({"
name"
:
"
834054996@"
"
password"
benben12"
})
opener.open(login_page,data)
op=opener.open("
html=op.read()
2.14用正则表达式分析网页源代码
正则表达式是用于处理字符串的强大工具,它并不是Python的一部分。
其他编程语言中也有正则表达式的概念,区别只在于不同的编程语言实现支持的语法数量不同。
它拥有自己独特的语法以及一个独立的处理引擎,在提供了正则表达式的语言里,正则表达式的语法都是一样的。
下图为使用正则表达式进行匹配的流程:
正则表达式的大致匹配过程是:
1.依次拿出表达式和文本中的字符比较,
2.如果每一个字符都能匹配,则匹配成功;
一旦有匹配不成功的字符则匹配失败。
3.如果表达式中有量词或边界,这个过程会稍微有一些不同。
Python是通过re模块实现对正则表达式的调用的。
程序代码如下:
find_re=pile(r"
absolute.+?
span>
(.*?
)<
/.+?
&
gt;
<
/a>
/h2>
.+?
/b>
/s.+?
/sp.+?
re.DOTALL)
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:
forainx:
sheet.write(r,0,a[0].decode("
utf-8"
))
sheet.write(r,1,a[1].decode("
sheet.write(r,2,a[2].decode("
sheet.write(r,3,a[3].decode("
sheet.write(r,4,a[4].decode("
sheet.write(r,5,a[5].decode("
r=r+1
printr+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().test
forainx:
values=dict(
img=a[0].decode("
),
infor=a[1].decode("
age=a[2].decode("
adress=a[3].decode("
marry=a[4].decode("
)
db.user.insert({'
values'
values})
content=db.user.find()
forainx:
print'
img:
'
+a[0].decode("
infor:
+a[1].decode("
age:
+a[2].decode("
adress:
+a[3].decode("
marry:
+a[4].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、pymongo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=gbk
importre
importxlwt
importcookielib
importurllib,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
importurllib
importpymongo
w=11
while10<
20:
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)Guidovanrossum《Python手册》
(2)MagnusLieHetlar《python基础教程》
(3)罗刚,王振东《自己动手写网络爬虫》