[实例]抓取多级页面数据
精华
小牛编辑
126浏览
2023-03-14
前面讲解的爬虫案例都是单级页面数据抓取,但有些时候,只抓取一个单级页面是无法完成数据提取的。本节讲解如何使用爬虫抓取多级页面的数据。
在爬虫的过程中,多级页面抓取是经常遇见的。下面以抓取二级页面为例,对每级页面的作用进行说明:
一级页面以
图1:Python爬虫多级页面抓取
图2:页面元素分析 其正则表达式如下:
点击二级页面进入详情页,通过开发者工具分析想要数据的网页元素,即电影名称,和下载链接,其正则表达式如下:
对于本节案例来说,电影天堂网站每天都会更新内容,因此编写一个增量抓取的爬虫程序是非常合适的。
那么要如何判断爬虫程序是否已抓取过二级页面的 url 呢?其实,当您第一次运行爬虫程序时,爬虫会将所有的 url 抓取下来,然后将这些 url 放入数据库中。为了提高数据库的查询效率,您可以为每一个 url 生成专属的“指纹”。当网站更新后,第二次运行爬虫程序时,程序只会对数据库中不存在的指纹进行抓取。
图3:MySQL数据库存储数据
在二级页面提取数据时要注意该页面的类型。该网站在二级页面使用了两种类型的网页结构,另外一种页面结构的正则表达式如下所示:
在爬虫的过程中,多级页面抓取是经常遇见的。下面以抓取二级页面为例,对每级页面的作用进行说明:
- 一级页面提供了获取二级页面的访问链接。
- 二级页面作为详情页用来提取所需数据。
一级页面以
<a>
标签的形式链接到二级页面,只有在二级页面才可以提取到所需数据。
多级页面分析
下面以电影天堂( 点击访问) 2020 新片精品为案例进行讲解,将每部影片的名称,以及下载链接抓取下来。首先点击“更多”进入一级页面,如下图所示:图1:Python爬虫多级页面抓取
1) 寻找url规律
通过简单分析可以得知一级与二级页面均为静态页面,接下来分析 url 规律,通过点击第 1 页,第 2 页 ...,其规律如下:第1页 :https://www.dytt8.net/html/gndy/dyzz/list_23_1.html 第2页 :https://www.dytt8.net/html/gndy/dyzz/list_23_2.html 第n页 :https://www.dytt8.net/html/gndy/dyzz/list_23_n.html
2) 确定正则表达式
通过元素审查可知一级页面的元素结构如下:图2:页面元素分析
<table width="100%".*?<td width="5%".*?<a href="(.*?)".*?ulink">.*?</table>
点击二级页面进入详情页,通过开发者工具分析想要数据的网页元素,即电影名称,和下载链接,其正则表达式如下:
<div class="title_all"><h1><font color=#07519a>(.*?)</font></h1></div>.*?<div><a href="(.*?)">.*?</a>
爬虫增量抓取
爬虫是一种效率很低的程序,非常消耗计算机资源。对于聚焦爬虫程序而言,需要每天对特定的网站进行数据抓取,如果每次都去抓取之前已经抓取过的数据,就会白白消耗了时间和资源。而增量爬虫是指通过监测网站更新的情况,只抓取最新数据的一种方式,这样就大大降低了资源的消耗。对于本节案例来说,电影天堂网站每天都会更新内容,因此编写一个增量抓取的爬虫程序是非常合适的。
那么要如何判断爬虫程序是否已抓取过二级页面的 url 呢?其实,当您第一次运行爬虫程序时,爬虫会将所有的 url 抓取下来,然后将这些 url 放入数据库中。为了提高数据库的查询效率,您可以为每一个 url 生成专属的“指纹”。当网站更新后,第二次运行爬虫程序时,程序只会对数据库中不存在的指纹进行抓取。
程序代码实现
1) 建库建表
将抓取的数据的存放至 MySQL 数据库,需要先进行建库建表操作。注意,这里需要将 url 指纹单独存放在一张表中,如下所示:create database movieskydb charset utf8; use movieskydb; create table request_finger( finger char(60) )charset=utf8; create table movieinfo( moviename varchar(300), downloadaddr varchar(600) )charset=utf8;
2) url指纹生成
您可以使用 Python 内置模块 md5 来生成加密“指纹”,如下所示。#导入模块 from hashlib import md5 #待加密的url url="https://www.dytt8.net/html/gndy/dyzz/20210226/61131.html" # 生成MD5对象 secret = md5() # 加密url secret.update(url.encode()) # 提取十六进制的加密串 finger = secret.hexdigest() print(finger)输出结果:
2d5e46ee52756e8ae59c9ba42230b883
3) 程序完整代码
# -*- coding: utf-8 -*- from urllib import request import re import time import random import pymysql from hashlib import md5 from ua_info import ua_list import sys class MovieSkySpider(object): def __init__(self): self.url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html' self.db = pymysql.connect( 'localhost','root','123456','movieskydb', charset='utf8' ) self.cursor = self.db.cursor() # 1.请求函数 def get_html(self, url): headers = {'User-Agent': random.choice(ua_list)} req = request.Request(url=url, headers=headers) res = request.urlopen(req) # 本网站使用gb2312的编码格式 html = res.read().decode('gb2312', 'ignore') return html # 2.正则解析函数 def re_func(self,re_bds,html): pattern = re.compile(re_bds,re.S) r_list = pattern.findall(html) return r_list # 3.提取数据函数 def parse_html(self,one_url): # 调用请求函数,获取一级页面 one_html = self.get_html(one_url) re_bds = '<table width="100%".*?<td width="5%".*?<a href="(.*?)".*?ulink">.*?</table>' # 获取二级页面链接 # link_list: ['/html//html/gndy/dyzz/20210226/61131.html','/html/xxx','',''] link_list = self.re_func(re_bds,one_html) for link in link_list: # 判断是否需要爬取此链接 # 1.获取指纹 # 拼接二级页面url two_url = 'https://www.dytt8.net' + link s = md5() #加密url,需要是字节串 s.update(two_url.encode()) # 生成指纹,获取十六进制加密字符串, finger = s.hexdigest() # 2.通过函数判断指纹在数据库中是否存在 if self.is_hold_on(finger): # 抓取二级页面数据 self.save_html(two_url) time.sleep(random.randint(1,2)) # 抓取后,把想用的url专属指纹存入数据库 ins = 'insert into request_finger values (%s)' self.cursor.execute(ins,[finger]) self.db.commit() else: sys.exit('更新完成') # 4.判断链接是否已经抓取过 def is_hold_on(self,finger): # 查询数据库 sql='select finger from request_finger where finger=%s' # execute()函数返回值为受影响的行数(即0或者非0) r = self.cursor.execute(sql,[finger]) # 如果为0表示没有抓取过 if not r: return True # 5.解析二级页面,获取数据(名称与下载链接) def save_html(self,two_url): two_html = self.get_html(two_url) re_bds = '<div class="title_all"><h1><font color=#07519a>(.*?)</font></h1> \ </div>.*?<a.*?href="(.*?)".*?>.*?style="BACKGROUND-COLOR:.*?</a>' # film_list: [('name','downloadlink'),(),(),()] film_list = self.re_func(re_bds,two_html) print(film_list) # 插入数据库 sql = 'insert into movieinfo values(%s,%s)' #L = list(film_list[0]) self.cursor.executemany(sql,film_list) self.db.commit() #主函数 def run(self): # 二级页面后四页的正则表达式略有不同,需要重新分析 for i in range(1,4): url = self.url.format(i) self.parse_html(url) if __name__ == '__main__': spider = MovieSkySpider() spider.run()若要查询数据库存储数据,执行以下命令即可:
mysql> select * from movieinfo\G输出如下,如下图所示:
图3:MySQL数据库存储数据
<div class="title_all"><h1><font color=#07519a>(.*?)</font></h1></div>.*?<td style="WORD-WRAP.*?>.*?>(.*?)</a>若要抓取此类页面的数据,需要更换二级页面正则表达式。