Python抓取网页&批量下载文件方法初探（正则表达式+BeautifulSoup） (转)

Python抓取网页&批量下载文件方法初探（正则表达式+BeautifulSoup）

最近两周都在学习Python抓取网页方法，任务是批量下载网站上的文件。对于一个刚刚入门python的人来说，在很多细节上都有需要注意的地方，以下就分享一下我在初学python过程中遇到的问题及解决方法。

一、用Python抓取网页

基本方法：

[python] view plaincopyprint?

1. import urllib2,urllib
2. url = ‘http://www.baidu.com‘
3. req = urllib2.Request(url)
4. content = urllib2.urlopen(req).read()

1)、url为网址，需要加‘http://‘

2)、content为网页的html源码

问题：

1、网站禁止爬虫，不能抓取或者抓取一定数量后封ip

解决：伪装成浏览器进行抓取，加入headers：

[python] view plaincopyprint?

1. import urllib2,urllib
2. headers = { #伪装为浏览器抓取
3. ‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘
4. }
5. req = urllib2.Request(url,headers=headers)
6. content = urllib2.urlopen(req).read()

更复杂的情况（需要登录，多线程抓取）可参考：http://www.pythonclub.org/python-network-application/observer-spider，很不错的教程

2、抓取网页中的中文为乱码问题

解决：用BeautifulSoup解析网页（BeautifulSoup是Python的一个用于解析网页的插件，其安装及使用方法下文会单独讨论）

首先需要介绍一下网页中的中文编码方式，一般网页的编码会在<meta>标签中标出，目前有三种，分别是GB2312，GBK，GB18030，三种编码是兼容的，

从包含的中文字符个数比较：GB2312 < GBK < GB18030，因此如果网页标称的编码为GB2312，但是实际上用到了GBK或者GB18030的中文字符，那么编码工具就会解析错误，导致编码退回到最基本的windows-2152了。所以解决此类问题分两种情况。

1)、若网页的实际的中文编码和其标出的相符的话，即没有字符超出所标称的编码，下面即可解决

[python] view plaincopyprint?

1. import urllib,urllib2,bs4
2. req = urllib2.Request(url)
3. content = urllib2.urlopen(req).read()
4. content = bs4.BeautifulSoup(content)
5. return content

2)、若网页中的中文字符超出所标称的编码时，需要在BeautifulSoup中传递参数from_encoding，设置为最大的编码字符集GB18030即可

1. import urllib,urllib2,bs4
2. req = urllib2.Request(url)
3. content = urllib2.urlopen(req).read()
4. content = bs4.BeautifulSoup(content,from_encoding=‘GB18030‘)
5. return content

详细的中文乱码问题分析参见：http://againinput4.blog.163.com/blog/static/1727994912011111011432810/

二、用Python下载文件

使用Python下载文件的方法有很多，在此只介绍最简单的一种

[python] view plaincopyprint?

1. import urllib
2. urllib.urlretrieve(url, filepath)

url为下载链接，filepath即为存放的文件路径+文件名

更多Python下载文件方法参见：http://outofmemory.cn/code-snippet/83/sanzhong-Python-xiazai-url-save-file-code

三、使用正则表达式分析网页

将网页源码抓取下来后，就需要分析网页，过滤出要用到的字段信息，通常的方法是用正则表达式分析网页，一个例子如下：

[python] view plaincopyprint?

1. import re
2. content = ‘<a href="http://www.baidu.com">‘
3. match = re.compile(r‘(?<=href=["]).*?(?=["])‘)
4. rawlv2 = re.findall(match,content)

用re.compile()编写匹配模板，用findall查找，查找content中所有与模式match相匹配的结果，返回一个列表，上式的正则表达式意思为匹配以‘href="‘起始，以‘"‘结束的字段，使用非贪婪的规则，只取中间的部分

关于正则表达式，系统的学习请参见：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

或 http://wiki.ubuntu.org.cn/Python%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E6%93%8D%E4%BD%9C%E6%8C%87%E5%8D%97

个人推荐第一篇，条理清晰，不重不漏

在此就不赘述正则表达式的学习，只总结一下我在实际写正则时的认为需要注意的几个问题：

1)、一定要使用非贪婪模式进行匹配，即*?,+?（后加?），因为Python默认使用贪婪模式进行匹配，例如‘a.*b‘，它会匹配文档中从第一个a和最后一个b之间的文本，也就是说如果遇到一个b，它不会停止，会一直搜索至文档末尾，直到它确认找到的b是最后一个。而一般我们只想取某个字段的值，贪婪模式既不能返回正确的结果，还大大浪费了时间，所以非贪婪是必不可少的

2)、raw字符串的使用：如果要匹配一个.,*这种元字符，就需要加‘\‘进行转义，即要表示一个‘\‘，正则表达式需要多加一个转义，写成‘\\‘，但是Python字符串又需要对其转义，最终变成re.compile(‘\\\\‘)，这样就不易理解且很乱，使用raw字符串让正则表达式变得易读，即写成re.compile(r‘\\‘)，另一个方法就是将字符放到字符集中，即[\]，效果相同

3)、()特殊构造的使用：一般来说，()中的匹配模式作为分组并可以通过标号访问，但是有一些特殊构造为例外，它们适用的情况是：我想要匹配href="xxxx"这个模式，但是我只需要xxxx的内容，而不需要前后匹配的模式，这时就可以用特殊构造(?<=)，和(?=)来匹配前后文，匹配后不返回()中的内容，刚才的例子便用到了这两个构造。

4)、逻辑符的使用：如果想匹配多个模式，使用‘|‘来实现，比如

[python] view plaincopyprint?

1. re.compile(r‘.htm|.mid$‘)

匹配的就是以.htm或.mid结尾的模式，注意没有‘&‘逻辑运算符

四、使用BeautifulSoup分析网页

BeautifulSoup是Python的一个插件，用于解析HTML和XML，是替代正则表达式的利器，下文讲解BS4的安装过程和使用方法

1、安装BS4

下载地址：http://www.crummy.com/software/BeautifulSoup/#Download

下载 beautifulsoup4-4.1.3.tar.gz，解压：linux下 tar xvf beautifulsoup4-4.1.3.tar.gz，win7下直接解压即可

linux:

进入目录执行：

1, python setup.py build

2, python setup.py install

或者easy_install BeautifulSoup

win7:

cmd到控制台 -> 到安装目录 -> 执行上面两个语句即可

2、使用BeautifulSoup解析网页

本文只介绍一些常用功能，详细教程参见BeautifulSoup中文文档：http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html

1)、包含包：import bs4

2)、读入：

[python] view plaincopyprint?

1. req = urllib2.Request(url)
2. content = urllib2.urlopen(req).read()
3. content = bs4.BeautifulSoup(content,from_encoding=‘GB18030‘)

3)、查找内容

a、按html标签名查找：

[python] view plaincopyprint?

1. frameurl = content.findAll(‘frame‘)

framurl为存储所有frame标签内容的列表，例如frame[0] 为 <framename="m_rtop"
target="m_rbottom"src="tops.htm">

b、按标签属性查找

[python] view plaincopyprint?

1. frameurl = content.findAll(target=True)

查找所有含target属性的标签

[python] view plaincopyprint?

1. frameurl = content.findAll(target=‘m_rbottom’)

查找所有含target属性且值为‘m_rbottom‘的标签

c、带有正则表达式的查找

[python] view plaincopyprint?

1. rawlv2 = content.findAll(href=re.compile(r‘.htm$‘))

查找所有含href属性且值为以‘.htm‘结尾的标签

d、综合查找

[python] view plaincopyprint?

1. frameurl = content.findAll(‘frame‘,target=‘rtop’)

查找所有frame标签，且target属性值为‘rtop‘

4)、访问标签属性值和内容

a、访问标签属性值

[python] view plaincopyprint?

1. <span style="font-size:14px;">rawlv2 = content.findAll(href=re.compile(r‘.htm$‘))
2. href = rawlv2[i][‘href‘]</span>

通过[属性名]即可访问属性值，如上式返回的便是href属性的值

b)、访问标签内容

[python] view plaincopyprint?

1. rawlv3 = content.findAll(href=re.compile(r‘.mid$‘))
2. songname = str(rawlv3[i].text)

上式访问了<a href=...>(内容)</a>标签的实际内容，由于text为unicode类型，所以需要用str()做转换

附上最终的成果，程序功能是抓取www.dugukeji.com上的所有midi文件并下载，需要先建立./midi/dugukeji/文件夹和./midi/linklist文件

[python] view plaincopyprint?

1. #-*- coding:utf-8 -*- #允许文档中有中文
2. import urllib2,urllib,cookielib,threading
3. import os
4. import re
5. import bs4
6. import sys
7. reload(sys)
8. sys.setdefaultencoding(‘utf-8‘) #允许打印unicode字符
9. indexurl = ‘http://www.dugukeji.com/‘
10. databasepath = ‘./midi/linklist‘
11. path = ‘./midi/dugukeji/‘
12. totalresult = {}
13. oriresult = {}
14. def crawl(url):
15. headers = { #伪装为浏览器抓取
16. ‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘
17. }
18. req = urllib2.Request(url,headers=headers)
19. content = urllib2.urlopen(req).read()
20. content = bs4.BeautifulSoup(content,from_encoding=‘GB18030‘)
21. return content
22. def crawlframe(sourceurl,target):
23. global indexurl
24. content = crawl(sourceurl)
25. #match = re.compile(r‘(?<=target=["]‘+target+‘["] src=["]).*?(?=["])‘)   #正则表达式方法
26. #frameurl = re.findall(match,content)
27. frameurl = content.findAll(‘frame‘,target=target)   #beautifulsoup方法
28. result = indexurl+frameurl[0][‘src‘]
29. return result
30. def crawllv1(frameurl,st=-1,en=-1):
31. global indexurl
32. content = crawl(frameurl)
33. #match = re.compile(r‘(?<=href=["]).*?(?=["])‘)
34. #rawlv2 = re.findall(match,content)
35. rawlv2 = content.findAll(href=re.compile(r‘.htm$‘))
36. result = []
37. if st==-1 and en==-1:
38. for i in range(len(rawlv2)):
39. result.append(indexurl+rawlv2[i][‘href‘])
40. else:
41. for i in range(st,en):
42. result.append(indexurl+rawlv2[i][‘href‘])
43. #dele = []
44. #for i in range(len(result)):
45. #   if result[i][-4:]!=‘.htm‘ and result[i][-5:]!=‘.html‘:
46. #       dele.append(i)
47. #       else:
48. #           result[i]=indexurl+result[i]
49. #   if len(dele)>0:
50. #       for deli in dele:
51. #           del result[deli]
52. #result.sort()
53. return result
54. def crawllv2(lv2url):
55. global indexurl
56. content = crawl(lv2url)
57. #match = re.compile(r‘(?<=href=["]\.\.\/).*?[">].*?(?=[<])‘)
58. #rawlv3 = re.findall(match,content)
59. rawlv3 = content.findAll(href=re.compile(r‘[..].*?[0-9].htm|.mid$‘))
60. #print rawlv3
61. result = {} #结果字典，key：链接，value：歌曲名
62. for i in range(len(rawlv3)):
63. tmp = str(rawlv3[i][‘href‘])
64. #print tmp
65. link = indexurl + tmp[tmp.rfind(‘..‘)+3:]   #有多个‘..‘，找到最后一个
66. songname = ‘‘
67. if tmp[-4:]==‘.htm‘:    #需要访问3级页
68. try:
69. conlv3 = crawl(link)
70. except:
71. print ‘WARNING: visit lv3 url failed!\n‘
72. else:
73. rawlv4 = conlv3.findAll(href=re.compile(r‘.mid$‘))
74. if not rawlv4:  #4级页没有.mid下载链接，略过
75. continue
76. else:
77. tmp = str(rawlv4[0][‘href‘])
78. link = indexurl + tmp[tmp.rfind(‘..‘)+3:]
79. songname = str(rawlv3[i].text)  #将unicode类型的text转化为string
80. #songname.decode(‘GBK‘)
81. #songname.encode(‘utf-8‘)
82. songname = songname.replace(‘ ‘,‘_‘)    #将songname中空格和换行转化为下划线
83. songname = songname.replace(‘\n‘,‘_‘)   #原来存在的链接，直接略过
84. if oriresult.has_key(link):
85. continue
86. if totalresult.has_key(link) and len(songname)<len(totalresult[link]):   #如果链接已保存且歌曲名长度比当前的长，略过
87. continue
88. else:
89. totalresult[link] = songname
90. result[link] = songname     #加入字典
91. #result.sort()
92. return result
93. def download(totalresult):
94. for link in totalresult.keys():
95. filepath = path + totalresult[link] + ‘.mid‘
96. print ‘download: ‘,link,‘ -> ‘,filepath,‘\n‘
97. urllib.urlretrieve(link, filepath)
98. def readdata(databasepath):
99. datafile = open(databasepath,‘r‘)   #读数据文件
100. link = datafile.readline()
101. while link:
102. oriresult[link]=‘‘
103. link = datafile.readline()
104. datafile.close()
105. def writedata(databasepath):
106. datafile = open(databasepath,‘a‘)   #追加打开数据文件，将新链接写入文件尾
107. for link in totalresult.keys():
108. datafile.write(link,‘\n‘)
109. datafile.close()
110. if __name__ == ‘__main__‘:
111. try:
112. readdata(databasepath)  #访问文件，记录已下载的链接
113. except:
114. print ‘WARNING:read database file failed!\n‘
115. else:
116. print ‘There is ‘,len(oriresult),‘ links in database.\n‘
117. try:
118. frameurl1 = crawlframe(indexurl,‘rtop‘) #抓取主页中一级页url所在frame的url
119. except:
120. print ‘WARNING: crawl lv1 frameurl failed!\n‘
121. try:
122. urllv1 = crawllv1(frameurl1,4,20)       #抓取一级页url
123. except:
124. print ‘WARNING: crawl lv1 url failed!\n‘
125. for i in urllv1:
126. print ‘lv1 url:‘,i
127. try:
128. frameurl2 = crawlframe(i,‘rbottom‘) #抓取一级页中二级页url所在frame的url
129. except:
130. print ‘WARNING: crawl lv2 frameurl failed!\n‘
131. else:
132. print ‘\tlv2 frameurl:‘,frameurl2
133. try:
134. urllv2 = crawllv1(frameurl2)    #抓取二级页url
135. except:
136. print ‘WARNING: crawl lv2 url failed!\n‘
137. else:
138. for j in urllv2:
139. print ‘\t\tlv2 url:‘,j
140. try:
141. urllv3 = crawllv2(j)
142. except:
143. print ‘WARNING: crawl lv3 url failed!\n‘
144. else:
145. for k in urllv3.keys():
146. print ‘\t\t\tlv3 url:‘,k,‘\tname:‘,urllv3[k]
147. #download(urllv3)
148. print ‘new added midi num:‘,len(totalresult)
149. print ‘\nbegin to download...\n‘
150. download(totalresult)
151. print ‘\nWrite database...\n‘
152. writedata(databasepath)
153. print ‘\n\nDone!\n‘
154. """
155. url = ‘http://www.dugukeji.com/‘
156. req = urllib2.Request(url)
157. response = urllib2.urlopen(req).read()
158. response = unicode(response,‘GBK‘).encode(‘UTF-8‘)
159. print response
160. """