京公网安备 11010802034615号
经营许可证编号:京B2-20210330
python实现简易采集爬虫_python实现爬虫_网络爬虫 python
#!/usr/bin/python
#-*-coding:utf-8-*-
# 简易采集爬虫
# 1.采集Yahoo!Answers,parseData函数修改一下,可以采集任何网站
# 2.需要sqlite3或者pysqlite支持
# 3.可以在DreamHost.com空间上面运行
# 4.可以修改User-Agent冒充搜索引擎蜘蛛
# 5.可以设置暂停的时间,控制采集速度
# 6.采集Yahoo会被封IP数小时,所以这个采集用处不大
# Author: Lukin<mylukin@gmail.com>
# Date : 2008-09-25
# 导入采集需要用到的模块
import re, sys, time
import httplib, os.path as osp
from urlparse import urlparse
# 使用sqite数据库,为了兼容DreamHost.com的空间,只能这么写了
try :
import sqlite3 as sqlite
except ImportError:
from pysqlite2 import dbapi2 as sqlite
# 采集速度控制,单位秒
sleep = 0
# 数据库路径
dbname = ‘./database.db’
# 设置提交的header头
headers = {“Accept”: “*/*”,”Referer”: “http://answers.yahoo.com/”,”User-Agent”: “Mozilla/5.0+(compatible;+Googlebot/2.1;++http://www.google.com/bot.html)”}
# 连接服务器
dl = httplib.HTTPConnection(‘answers.yahoo.com’)
# 连接数据库
conn = sqlite.connect(osp.abspath(dbname))
# 创建数据库
def createDatabase():
global conn,dbname;
if osp.isfile(osp.abspath(dbname)) : return
c = conn.cursor()
# 创建url列表存放表
c.execute(”’CREATE TABLE IF NOT EXISTS [collect]([cid] INTEGER PRIMARY KEY,[curl] TEXT,[state] INTEGER DEFAULT ‘0’,UNIQUE([curl]));”’)
c.execute(”’CREATE INDEX IF NOT EXISTS [collect_idx_state] ON [collect]([state]);”’)
# 创建分类表
c.execute(”’CREATE TABLE IF NOT EXISTS [sorts]([sortid] INTEGER PRIMARY KEY,[sortname] TEXT,[sortpath] TEXT,[sortfoot] INTEGER DEFAULT ‘0’,[sortnum] INTEGER DEFAULT ‘0’,UNIQUE([sortpath]));”’)
c.execute(”’CREATE INDEX IF NOT EXISTS [sorts_idx_sortname] ON [sorts]([sortname]);”’)
c.execute(”’CREATE INDEX IF NOT EXISTS [sorts_idx_sortfoot] ON [sorts]([sortfoot]);”’)
# 创建文章表
c.execute(”’CREATE TABLE IF NOT EXISTS [article]([aid] INTEGER PRIMARY KEY,[sortid] INTEGER DEFAULT ‘0’,[hits] INTEGER DEFAULT ‘0’,[title] TEXT,[path] TEXT,[question] TEXT,[banswer] TEXT,[oanswer] TEXT,UNIQUE([path]));”’)
c.execute(”’CREATE INDEX IF NOT EXISTS [article_idx_sortid] ON [article]([sortid]);”’)
# 事物提交
conn.commit()
c.close()
# 执行采集
def collect(url=”http://answers.yahoo.com/”):
global dl,error,headers; R = 0
print “GET:”,url
urls = urlparse(url); path = urls[2];
if urls[4]!=” : path += ‘?’ + urls[4]
dl.request(method=”GET”, url=path, headers=headers); rs = dl.getresponse()
if rs.status==200 :
R = parseData(rs.read(),url);
else :
print “3 seconds, try again …”; time.sleep(3)
dl.request(method=”GET”, url=path, headers=headers); rs = dl.getresponse()
if rs.status==200 :
R = parseData(rs.read(),url);
else :
print “3 seconds, try again …”; time.sleep(3)
dl.request(method=”GET”, url=path, headers=headers); rs = dl.getresponse()
if rs.status==200 :
R = parseData(rs.read(),url);
else :
print “Continue to collect …”
R = 3
# 更新记录
updateOneUrl(url,R)
# 返回结果
return R
# 处理采集到的数据
def parseData(html,url):
global dl,conn; R = 2;
c = conn.cursor()
# 格式化html代码
format = formatURL(clearBlank(html),url)
# 取出所有的连接
urls = re.findall(r”'(<a[^>]*?href=”([^”]+)”[^>]*?>)|(<a[^>]*?href='([^’]+)'[^>]*?>)”’,format,re.I)
if urls != None :
i = 0
# 循环所有的连接
for regs in urls :
# 得到一个单一的url
sUrl = en2chr(regs[1].strip())
# 判断url是否符合规则,符合,则插入数据库
if re.search(‘http(.*?)/(dir|question)/index(.*?)’,sUrl,re.I) != None :
if re.search(‘http(.*?)/dir/index(.*?)’,sUrl,re.I) != None:
if sUrl.find(‘link=list’) == -1 and sUrl.find(‘link=over’) == -1 :
sUrl+= ‘&link=over’
else:
sUrl = sUrl.replace(‘link=list’,’link=over’)
if sUrl[-11:]==’link=mailto’ : continue
try :
c.execute(‘INSERT INTO [collect]([curl])VALUES(?);’,(sUrl,))
i = i + 1
except sqlite.IntegrityError :
pass
if i>0 : print “Message: %d get a new URL.” % (i,)
# 截取数据
if re.search(‘http(.*)/question/index(.*)’,url,re.I) != None :
sortfoot = 0
# 自动创建分类和分类关系
guide = sect(format,'<ol id=”yan-breadcrumbs”>’,'</ol>’,'(<li>(.*?)Home(.*?)</li>)’)
aGuide = re.findall(‘<a[^>]*href=”[^”]*”[^>]*>(.*?)</a>’,guide,re.I)
if aGuide != None :
sortname = “”
for sortname in aGuide :
sortname = sortname.strip()
sortpath = en2path(sortname)
# 查询分类是否存在
c.execute(‘SELECT [sortid],[sortname] FROM [sorts] WHERE [sortpath]=? LIMIT 0,1;’,(sortpath,))
row = c.fetchone();
# 分类不存在,添加分类
if row==None :
c.execute(‘INSERT INTO [sorts]([sortname],[sortpath],[sortfoot])VALUES(?,?,?);’,(sortname,sortpath,sortfoot))
sortfoot = c.lastrowid
else:
sortfoot = row[0]
# 标题
title = sect(format,'<h1 class=”subject”>’,'</h1>’)
# 最佳答案
BestAnswer = sect(format,'(<h2><span>Best Answer</span>(.*?)</h2>(.*?)<div class=”content”>)’,'(</div>)’)
# 最佳答案不存在,则不采集
if BestAnswer != None :
# 文章路径
path = en2path(sortname + ‘-‘ + title.strip())
# 问题
adddata = sect(format,'<div class=”additional-details”>’,'</div>’)
content = sect(format,'(<h1 class=”subject”>(.*?)<div class=”content”>)’,'(</div>)’)
if adddata != None : content += ‘<br/>’ + adddata
# 其他回答
OtherAnswer = ”
for regs in re.findall(‘<div class=”qa-container”>(.+?)<div class=”utils-container”>’,format):
if regs.find(‘<h2>’) == -1 and regs.find(‘</h2>’) == -1 :
a1 = sect(regs,'<div class=”content”>’,'</div>’)
a2 = sect(regs,'<div class=”reference”>’,'</div>’)
OtherAnswer+= ‘<div class=”oAnswer”>’ + a1
if a2 != None : OtherAnswer+= ‘<div class=”reference”>’ + a2 + ‘</div>’
OtherAnswer+= ‘</div>’
# 判断采集成功
if title != None and content != None :
# 将数据写入到数据
try :
c.execute(‘INSERT INTO [article]([sortid],[title],[path],[question],[banswer],[oanswer])VALUES(?,?,?,?,?,?);’,(sortfoot,title,path,content,BestAnswer,OtherAnswer))
print “Message:%s.html” % (path,)
R = 1
except sqlite.IntegrityError :
pass
# 提交写入数据库
conn.commit(); c.close()
return R
# 取得一条URL
def getOneUrl():
global conn; c = conn.cursor()
c.execute(‘SELECT [curl] FROM [collect] WHERE [state] IN(0,3) LIMIT 0,1;’)
row = c.fetchone(); c.close()
if row==None : return “”
return row[0].encode(‘utf-8’)
# 更新一条记录的状态
def updateOneUrl(url,state):
global conn; c = conn.cursor()
c.execute(‘UPDATE [collect] SET [state]=? WHERE [curl]=?;’,(state,url))
conn.commit(); c.close()
# 清除html代码里的多余空格
def clearBlank(html):
if len(html) == 0 : return ”
html = re.sub(‘\r|\n|\t’,”,html)
while html.find(” “)!=-1 or html.find(‘ ’)!=-1 :
html = html.replace(‘ ’,’ ‘).replace(‘ ‘,’ ‘)
return html
# 格式化url
def formatURL(html,url):
urls = re.findall(”'(<a[^>]*?href=”([^”]+)”[^>]*?>)|(<a[^>]*?href='([^’]+)'[^>]*?>)”’,html,re.I)
if urls == None : return html
for regs in urls :
html = html.replace(regs[0],matchURL(regs[0],url))
return html
# 格式化单个url
def matchURL(tag,url):
urls = re.findall(”'(.*)(src|href)=(.+?)( |/>|>).*|(.*)url\(([^\)]+)\)”’,tag,re.I)
if urls == None :
return tag
else :
if urls[0][5] == ” :
urlQuote = urls[0][2]
else:
urlQuote = urls[0][5]
if len(urlQuote) > 0 :
cUrl = re.sub(”'[‘”]”’,”,urlQuote)
else :
return tag
urls = urlparse(url); scheme = urls[0];
if scheme!=” : scheme+=’://’
host = urls[1]; host = scheme + host
if len(host)==0 : return tag
path = osp.dirname(urls[2]);
if path==’/’ : path = ”;
if cUrl.find(“#”)!=-1 : cUrl = cUrl[:cUrl.find(“#”)]
# 判断类型
if re.search(”’^(http|https|ftp):(//|\\\\)(([\w/\\\+\-~`@:%])+\.)+([\w/\\\.\=\?\+\-~`@’:!%#]|(&)|&)+”’,cUrl,re.I) != None :
# http开头的url类型要跳过
return tag
elif cUrl[:1] == ‘/’ :
# 绝对路径
cUrl = host + cUrl
elif cUrl[:3]==’../’ :
# 相对路径
while cUrl[:3]==’../’ :
cUrl = cUrl[3:]
if len(path) > 0 :
path = osp.dirname(path)
elif cUrl[:2]==’./’ :
cUrl = host + path + cUrl[1:]
elif cUrl.lower()[:7]==’mailto:’ or cUrl.lower()[:11]==’javascript:’ :
return tag
else :
cUrl = host + path + ‘/’ + cUrl
R = tag.replace(urlQuote,'”‘ + cUrl + ‘”‘)
return R
# html代码截取函数
def sect(html,start,end,cls=”):
if len(html)==0 : return ;
# 正则表达式截取
if start[:1]==chr(40) and start[-1:]==chr(41) and end[:1]==chr(40) and end[-1:]==chr(41) :
reHTML = re.search(start + ‘(.*?)’ + end,html,re.I)
if reHTML == None : return
reHTML = reHTML.group()
intStart = re.search(start,reHTML,re.I).end()
intEnd = re.search(end,reHTML,re.I).start()
R = reHTML[intStart:intEnd]
# 字符串截取
else :
# 取得开始字符串的位置
intStart = html.lower().find(start.lower())
# 如果搜索不到开始字符串,则直接返回空
if intStart == -1 : return
# 取得结束字符串的位置
intEnd = html[intStart+len(start):].lower().find(end.lower())
# 如果搜索不到结束字符串,也返回为空
if intEnd == -1 : return
# 开始和结束字符串都有了,可以开始截取了
R = html[intStart+len(start):intStart+intEnd+len(start)]
# 清理内容
if cls != ” :
R = clear(R,cls)
# 返回截取的字符
return R
# 正则清除
def clear(html,regexs):
if regexs == ” : return html
for regex in regexs.split(chr(10)):
regex = regex.strip()
if regex != ” :
if regex[:1]==chr(40) and regex[-1:]==chr(41):
html = re.sub(regex,”,html,re.I|re.S)
else :
html = html.replace(regex,”)
return html
# 格式化为路径
def en2path(enStr):
return re.sub(‘[\W]+’,’-‘,en2chr(enStr),re.I|re.U).strip(‘-‘)
# 替换实体为正常字符
def en2chr(enStr):
return enStr.replace(‘&’,’&’)
# ————————————- 开始执行程序 ——————————————-
# 首先创建数据库
createDatabase()
# 开始采集
loops = 0
while True:
if loops>0 :
url = getOneUrl()
if url == “” :
loops = 0
else :
loops = collect(url)
else :
loops = collect()
# 暂停
time.sleep(sleep)
if loops==0 : break
# 关闭HTTP连接
dl.close()
# 退出程序
sys.exit()
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27