如何用 Python 实现 Web 抓取？
【編者按】本文作者為 Blog Bowl 聯合創始人 Shaumik Daityari，主要介紹 Web 抓取技術的基本實現原理和方法。文章系國內 ITOM 管理平臺 OneAPM 編譯呈現，以下為正文。
隨著電子商務的蓬勃發展，筆者近年越來越著迷于比價應用。我在網絡上（甚至線下）的每次購買，都是在各大電商網站深入調研后的結果。
筆者常用的比價應用包括：RedLaser, ShopSavvy 以及 BuyHatke。這些應用有效提高了價格透明度，進而為消費者節省了可觀的時間。
但是，你是否想過，這些應用如何得到那些重要數據？通常，它們會借助 Web 抓取技術來完成該任務。
Web 抓取的定義
Web 抓取是抽取網絡數據的過程。只要借助合適的工具，任何你能看到的數據都可以進行抽取。在本文中，我們將重點介紹自動化抽取過程的程序，幫助你在較短時間內收集大量數據。除了筆者前文提到的用例，抓取技術的用途還包括：SEO 追蹤、工作追蹤、新聞分析以及筆者的最愛——社交媒體的情感分析！
一點提醒
在開啟 Web 抓取的探險之前，請確保自己了解相關的法律問題。許多網站在其服務條款中明確禁止對其內容進行抓取。例如，Medium 網站就寫道：“遵照網站 robots.txt 文件中的規定進行的爬取操作(Crawling)是可接受的，但是我們禁止抓取(Scraping)操作。”對不允許抓取的網站進行抓取可能會使你進入他們的黑名單！與任何工具一樣，Web 抓取也可能用于復制網站內容之類的不良目的。此外，由 Web 抓取引起的法律訴訟也不在少數。
設置代碼
在充分了解小心行事的必要之后，讓我們開始學習 Web 抓取。其實，Web 抓取可以通過任何編程語言實現，在不久之前，我們使用 Node 實現過。在本文中，考慮到其簡潔性與豐富的包支持，我們將使用 Python 實現抓取程序。
Web 抓取的基本過程
當你打開網絡中的某個站點時，就會下載其 HTML 代碼，由你的 web 瀏覽器對其進行分析與展示。該 HTML 代碼包含了你所看到的所有信息。因此，通過分析 HTML 代碼就能得到所需信息（比如價格）。你可以使用正則表達式在數據海洋中搜索你需要的信息，也可以使用函數庫來解釋 HTML，同樣也能得到需要數據。
在 Python 中，我們將使用一個名為靚湯（Beautiful Soup）的模塊對 HTML 數據進行分析。你可以借助 pip 之類的安裝程序安裝之，運行如下代碼即可：
pip install beautifulsoup4或者，你也可以根據源碼進行構建。在該模塊的文檔說明頁，可以看到詳細的安裝步驟。
安裝完成之后，我們大致會遵循以下步驟實現 web 抓取：
- 向 URL 發送請求
- 接收響應
- 分析響應以尋找所需數據
作為演示，我們將使用筆者的博客 http://dada.theblogbowl.in/. 作為目標 URL。
前兩個步驟相對簡單，可以這樣完成：
from urllib import urlopen#Sending the http requestwebpage = urlopen('http://my_website.com/').read()接下來，將響應傳給之前安裝的模塊：
from bs4 import BeautifulSoup#making the soup! yummy ;)soup = BeautifulSoup(webpage, "html5lib")請注意，此處我們選擇了 html5lib 作為解析器。根據 BeautifulSoup 的文檔，你也可以為其選擇不同的解析器。
解析 HTML
在將 HTML 傳給 BeautifulSoup 之后，我們可以嘗試一些指令。譬如，檢查 HTML 標記代碼是否正確，可以驗證該頁面的標題（在 Python 解釋器中）：
>>> soup.title<title>Transcendental Tech Talk</title>>>> soup.title.text u'Transcendental Tech Talk' >>>接下來，開始抽取頁面中的特定元素。譬如，我想抽取博客中文章標題的列表。為此，我需要分析 HTML 的結構，這一點可以借助 Chrome 檢查器完成。其他瀏覽器也提供了類似的工具。
使用 Chrome 檢查器檢查某個頁面的 HTML 結構
如你所見，所有文章標題都帶有 h3 標簽與兩個類屬性：post-title 與 entry-title 類。因此，用 post-title 類搜索所有 h3 元素就能得到該頁的文章標題列表。在此例中，我們使用 BeautifulSoup 提供的 find_all 函數，并通過 class_ 參數確定所需的類：
>>> titles = soup.find_all('h3', class_ = 'post-title') #Getting all titles>>> titles[0].textu'\nKolkata #BergerXP IndiBlogger meet, Marketing Insights, and some Blogging Tips\n'>>>只通過 post-title 類進行條目搜索應該可以得到相同的結果：
>>> titles = soup.find_all(class_ = 'post-title') #Getting all items with class post-title>>> titles[0].textu'\nKolkata #BergerXPIndiBlogger meet, Marketing Insights, and some Blogging Tips\n'>>>如果你想進一步了解條目所指的鏈接，可以運行下面的代碼：
>>> for title in titles:... # Each title is in the form of <h3 ...><a href=...>Post Title<a/></h3>... print title.find("a").get("href")...http://dada.theblogbowl.in/2015/09/kolkata-bergerxp-indiblogger-meet.html http://dada.theblogbowl.in/2015/09/i-got-published.html http://dada.theblogbowl.in/2014/12/how-to-use-requestput-or-requestdelete.html http://dada.theblogbowl.in/2014/12/zico-isl-and-atk.html...>>>BeautifulSoup 內置了許多方法，可以幫助你玩轉 HTML。其中一些方法列舉如下：
>>> titles[0].contents [u'\n', <a href="http://dada.theblogbowl.in/2015/09/kolkata-bergerxp-indiblogger-meet.html">Kolkata #BergerXP IndiBlogger meet, Marketing Insights, and some Blogging Tips</a>, u'\n']>>>請注意，你也可以使用 children 屬性，不過它有點像生成器：
>>> titles[0].parent<div class="post hentry uncustomized-post-template">\n<a name="6501973351448547458"></a>\n<h3 class="post-title entry-title">\n<a href="http://dada.theblogbowl.in/2015/09/kolkata-bergerxp-indiblogger-meet.html">Kolkata #BergerXP IndiBlogger ... >>>你也可以使用正則表達式搜索 CSS 類，對此，本文檔有詳細的介紹。
使用 Mechanize 模擬登錄
目前為止，我們做的只是下載一個頁面進而分析其內容。然而，web 開發者可能屏蔽了非瀏覽器發出的請求，或者有些網站內容只能在登錄之后讀取。那么，我們該如何處理這些情況呢？
對于第一種情況，我們需要在向頁面發送請求時模擬一個瀏覽器。每個 HTTP 請求都包含一些相關的數據頭（header），其中包含了訪客瀏覽器、操作系統以及屏幕大小之類的信息。我們可以改變這些數據頭，偽裝為瀏覽器發送請求。
至于第二種情況，為了訪問帶有訪客限制的內容，我們需要登錄該網站，使用 cookie 保持會話。下面，讓我們來看看在偽裝成瀏覽器的同時，如何完成這一點。
我們將借助 cookielib 模塊使用 cookie 管理會話。此外，我們還將用到 mechanize，后者可以使用 pip 之類的安裝程序進行安裝。
我們會通過 Blog Bowl 這個頁面進行登錄，并訪問通知頁面。下面的代碼通過行內注釋進行了解釋：
import mechanize import cookielibfrom urllib import urlopen from bs4 import BeautifulSoup# Cookie Jarcj = cookielib.LWPCookieJar()browser = mechanize.Browser() browser.set_cookiejar(cj) browser.set_handle_robots(False) browser.set_handle_redirect(True)# Solving issue #1 by emulating a browser by adding HTTP headersbrowser.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]# Open Login Pagebrowser.open("http://theblogbowl.in/login/")# Select Login form (1st form of the page)browser.select_form(nr = 0)# Alternate syntax - browser.select_form(name = "form_name")# The first <input> tag of the form is a CSRF token# Setting the 2nd and 3rd tags to email and passwordbrowser.form.set_value("email@example.com", nr=1) browser.form.set_value("password", nr=2)# Logging inresponse = browser.submit()# Opening new page after loginsoup = BeautifulSoup(browser.open('http://theblogbowl.in/notifications/').read(), "html5lib")
通知頁面的結構
登錄進通知頁面后的結果
結語
許多開發者會告訴你：你在網絡上看到的任何信息都可以被抓取。通過這篇文章，你學會了如何輕松抽取登錄后才能看到的內容。此外，如果你的 IP 遭到了屏蔽，你可以掩蓋自己的 IP 地址（或選用其他地址）。同時，為了看起來像是人類在訪問，你應該在請求之間保留一定的時間間隔。
隨著人們對數據的需求不斷增長，web 抓取（不論原因好壞）技術在未來的應用只會更加廣泛。也因此，理解其原理是相當重要的，不管你是為了有效利用該技術，還是為了免受其坑害。
OneAPM 能幫您查看 Python 應用程序的方方面面，不僅能夠監控終端的用戶體驗，還能監控服務器性能，同時還支持追蹤數據庫、第三方 API 和 Web 服務器的各種問題。想技術文章，請訪問 OneAPM 官方技術博客。
本文轉自 OneAPM 官方博客
原文地址：https://www.sitepoint.com/web-scraping-for-beginners/
總結
以上是生活随笔為你收集整理的如何用 Python 实现 Web 抓取？的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 奶奶梦到孙女丢了是什么征兆
- 下一篇： python 学习资源收集汇总