當前位置：首頁 >

教你用python爬取网站数据

發(fā)布時間：2025/3/15 29 豆豆

生活随笔收集整理的這篇文章主要介紹了教你用python爬取网站数据小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

編碼問題

因為涉及到中文，所以必然地涉及到了編碼的問題，這一次借這個機會算是徹底搞清楚了。

問題要從文字的編碼講起。原本的英文編碼只有0~255，剛好是8位1個字節(jié)。為了表示各種不同的語言，自然要進行擴充。中文的話有GB系列。可能還聽說過Unicode和UTF-8，那么，它們之間是什么關系呢？

Unicode是一種編碼方案，又稱萬國碼，可見其包含之廣。但是具體存儲到計算機上，并不用這種編碼，可以說它起著一個中間人的作用。你可以再把Unicode編碼(encode)為UTF-8，或者GB，再存儲到計算機上。UTF-8或者GB也可以進行解碼(decode)還原為Unicode。

在python中Unicode是一類對象，表現(xiàn)為以u打頭的，比如u'中文'，而string又是一類對象，是在具體編碼方式下的實際存在計算機上的字符串。比如utf-8編碼下的'中文'和gbk編碼下的'中文'，并不相同。可以看如下代碼：

>>> str=u'中文'

>>> str1=str.encode('utf8')

>>> str2=str.encode('gbk')

>>> print repr(str)

u'\u4e2d\u6587'

>>> print repr(str1)

'\xe4\xb8\xad\xe6\x96\x87'

>>> print repr(str2)

'\xd6\xd0\xce\xc4'

可以看到，其實存儲在計算機中的只是這樣的編碼，而不是一個一個的漢字，在print的時候要知道當時是用的什么樣的編碼方式，才能正確的print出來。有一個說法提得很好，python中的Unicode才是真正的字符串，而string是字節(jié)串

文件編碼

既然有不同的編碼，那么如果在代碼文件中直接寫string的話，那么它到底是哪一種編碼呢？這個就是由文件的編碼所決定的。文件總是以一定的編碼方式保存的。而python文件可以寫上coding的聲明語句，用來說明這個文件是用什么編碼方式保存的。如果聲明的編碼方式和實際保存的編碼方式不一致就會出現(xiàn)異常。可以見下面例子：以utf-8保存的文件聲明為gbk

#coding:gbk

str=u'漢'

str1=str.encode('utf8')

str2=str.encode('gbk')

str3='漢'

print repr(str)

print repr(str1)

print repr(str2)

print repr(str3)

提示錯誤 File "test.py", line 1 SyntaxError: Non-ASCII character '\xe6' in file test.py on line 1, but no encodi ng declared; see http://www.python.org/peps/pep-0263.html for details 改為

#coding:utf8

str=u'漢'

str1=str.encode('utf8')

str2=str.encode('gbk')

str3='漢'

print repr(str)

print repr(str1)

print repr(str2)

print repr(str3)

輸出正常結果 u'\u6c49' '\xe6\xb1\x89' '\xba\xba' '\xe6\xb1\x89'

更多內容可參見這篇文章http://www.cnblogs.com/huxi/archive/2010/12/05/1897271.html

基本方法

其實用python爬取網頁很簡單，只有簡單的幾句話

1 2	import urllib2 page=urllib2.urlopen('url').read()

這樣就可以獲得到頁面的內容。接下來再用正則匹配去匹配所需要的內容就行了。

但是，真正要做起來，就會有各種各樣的細節(jié)問題。

登錄

這是一個需要登錄認證的網站。也不太難，只要導入cookielib和urllib庫就行。

import urllib,urllib2,cookielib

cookiejar = cookielib.CookieJar()

urlOpener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookiejar))

這樣就裝載進一個cookie，用urlOpener去open登錄以后就可以記住信息。

斷線重連

如果只是做到上面的程度，不對open進行包裝的話，只要網絡狀況有些起伏，就直接拋出異常，退出整個程序，是個很不好的程序。這個時候，只要對異常進行處理，多試幾次就行了：

def multi_open(opener,*arg):

????while True:

????????retryTimes=20

????????while retryTimes>0:

????????????try:

????????????????return opener.open(*arg)

????????????except:

????????????????print '.',

????????????????retryTimes-=1

正則匹配

其實正則匹配并不算是一個特別好的方法，因為它的容錯性很不好，網頁要完全統(tǒng)一。如果有稍微的不統(tǒng)一，就會失敗。后來看到說有根據xpath來進行選取的，下次可以嘗試一下。

寫正則其實是有一定技巧的：

非貪婪匹配。比如這樣一個標簽：hello，要取出a來，如果寫成這樣的表達式，就不行了：hello。因為*進行了貪婪匹配。這是要用.?：hello。
跨行匹配。實現(xiàn)跨行有一種思路是運用DOTALL標志位，這樣.就會匹配到換行。但是這樣一來，整個匹配過程就會變得很慢。本來的匹配是以行為單位的。整個過程最多就是O(nc2)，n是行數，c是平均列數。現(xiàn)在極有可能變?yōu)镺((nc)2)。我的實現(xiàn)方案是運用\n來匹配換行，這樣可以明確指出匹配最多跨躍多少行。比如：abc\s*\n\s*def，就指出查找的是隔一行的。(.\n)?就可以指定是匹配盡可能少的行。
這里其實還要注意一個點。有的行末是帶有\(zhòng)r的。也就是說一行是以\r\n結尾的。當初不知道這一點，正則就調試了很久。現(xiàn)在直接用\s，表示行末空格和\r。
無捕獲分組。為了不對捕獲的分組造成影響，上面的(.\n)可以改為(?:.\n)，這樣捕獲分組時，就會忽略它。
單括號要進行轉義。因為單括號在正則里是用來表示分組的，所以為了匹配單括號就進行轉義。正則字符串最好用的是帶有r前綴的字符串，如果不是的話，則要對\再進行轉義。
快速正則。寫了那么多模式，也總結出一規(guī)律出來。先把要匹配的字符相關的段落拿出來。要匹配的東西用(.?)代替。把換行\(zhòng)n替換為字符串\s\n\s*，再去掉行首行末的空格。整個過程在vim中可以很快就寫好。

Excel操作

這次的數據是放進Excel的。到后面才意識到如果放進數據庫的話，可能就沒有那么多事了。但是已經寫到一半，難以回頭了。

搜索Excel，可以得出幾個方案來，一個是用xlrt/xlwt庫，這個不管電腦上是否安裝了Excel，都可以運行，但只能是xls格式的。還有一個是直接包裝了com，需要電腦上安裝了軟件才行。我采用的是前一種。如果大家對Python感興趣的話，可以加一下我們的學習交流摳摳群哦：649825285，免費領取一套學習資料和視頻課程喲~

基本的讀寫沒有問題。但是數據量一大起來，就有問題了。

內存不夠。程序一跑起來，內存占用就一點一點往上漲。后面再查了一下，知道要用flush_row_data。但是還是會出錯。一看內存占用，沒有什么問題，一直很平穩(wěn)。但最后還是會出現(xiàn)memory error。這真是見鬼了。又是反復地查，反復地運行。一點結果都沒有。要命的是bug只在數據量大起來才出現(xiàn)，而等數據量大起來往往要好幾個小時，這debug的成本實在是太高了。一個偶然的機會，突然發(fā)現(xiàn)內存占用，雖然總體平穩(wěn)，但是會規(guī)律性的出現(xiàn)小的高漲，而這規(guī)律性，會不會和flush_row_data，有關。一直疑惑的是data被flush到了哪里。原來xlwt的作法是很蛋疼的作法。把數據存在內存里，或者flush到一個temp，到save的時候，再一次性寫入。而問題正出在這一次性寫入，內存猛漲。那我要flush_row_data何用？為什么不一開始就flush進要寫入的地方。
行數限制。這個是xls格式本身決定的，最多行數只能是65536。而且數據一大，文件打開也不方便。

結合以上兩點，最終采取了這么一個策略，如果行數是1000的倍數，進行一次flush，如果行數超過65536，新開一個sheet，如果超過3個sheet，則新建一個文件。為了方便，把xlwt包裝了一下

#coding:utf-8#

import xlwt

class XLS:

????'''a class wrap the xlwt'''

????MAX_ROW=65536

????MAX_SHEET_NUM=3

????def __init__(self,name,captionList,typeList,encoding='utf8',flushBound=1000):

????????self.name=name

????????self.captionList=captionList[:]

????????self.typeList=typeList[:]

????????self.workbookIndex=1

????????self.encoding=encoding

????????self.wb=xlwt.Workbook(encoding=self.encoding)

????????self.sheetIndex=1

????????self.__addSheet()

????????self.flushBound=flushBound

?????

????def __addSheet(self):

????????if self.sheetIndex != 1:

????????????self.wb.save(self.name+str(self.workbookIndex)+'.xls')

????????if self.sheetIndex>XLS.MAX_SHEET_NUM:

????????????self.workbookIndex+=1

????????????self.wb=xlwt.Workbook(encoding=self.encoding)

????????????self.sheetIndex=1

????????self.sheet=self.wb.add_sheet(self.name.encode(self.encoding)+str(self.sheetIndex))

????????for i in range(len(self.captionList)):

????????????self.sheet.write(0,i,self.captionList[i])

????????self.row=1

????def write(self,data):

????????if self.row>=XLS.MAX_ROW:

????????????self.sheetIndex += 1

????????????self.__addSheet()

????????for i in range(len(data)):

????????????if self.typeList[i]=="num":

????????????????try:

????????????????????self.sheet.write(self.row,i,float(data[i]))

????????????????except ValueError:

????????????????????pass

????????????else:

????????????????self.sheet.write(self.row,i,data[i])

????????if self.row % self.flushBound == 0:

????????????self.sheet.flush_row_data()

????????self.row+=1

????def save(self):

????????self.wb.save(self.name+str(self.workbookIndex)+'.xls')

轉換網頁特殊字符

由于網頁也有自己獨特的轉義字符，在進行正則匹配的時候就有些麻煩。在官方文檔中查到一個用字典替換的方案，私以為不錯，拿來做了一些擴充。其中有一些是為保持正則的正確性。

html_escape_table = {

????"&": "&",

????'"': """,

????"'": "'",

????">": ">",

????"<": "<",

????u"·":"·",

????u"°":"°",

????#regular expression

????".":r"\.",

????"^":r"\^",

????"$":r"\$",

????"{":r"\{",

????"}":r"\}",

????"\\":r"\\",

????"|":r"\|",

????"(":r"\(",

????")":r"\)",

????"+":r"\+",

????"*":r"\*",

????"?":r"\?",

}

def html_escape(text):

????"""Produce entities within text."""

????tmp="".join(html_escape_table.get(c,c) for c in text)

????return tmp.encode("utf-8")

結

得出的經驗差不多就是這些了。不過最后寫出來的程序自已也不忍再看。風格很不好。一開始想著先寫著試試。然后試著試著就不想改了。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結

以上是生活随笔為你收集整理的教你用python爬取网站数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇： ADO编程中ATL所遇到的定义问题
下一篇：为什么Python不支持 i ++ 语法