CUHK 上学期有门课叫做 Semantic Web，课程 project 是要搜集整个系里面的教授信息，输入到一个系统里，能够完成诸如“如果选了A教授的课，因时间冲突，B教授的哪些课不能选”、“和A教授实验室相邻的实验室都是哪些教授的”这一类的查询。这就是所谓的“语义网”了啊。。。然而最坑爹的是，所有这些信息，老师并没有给一个文档或者数据库，全要靠自己去系主页上搜集。唯一的想法是写个爬虫，令人悲哀的是，所有做这个 project 的同学，都是纯人肉手工完成，看得我只想扶墙。。。
从网页中抓取特定信息，我觉得这是一个普遍性的问题，以后经常会遇到。幸亏那个 project 只是需要我们系的所有教授的信息，大家人工也就算了。如果需要抓取的信息是海量的，举个栗子，把淘宝上所有的商品目录抓下来，那岂不是要吐血而亡？我决定好好把爬虫研究一下。
之前波波写过一个 java 程序，利用
HTML Parser 去解析团购网站 meituan.com 然后把每天的团购信息存到数据库里。稍微改改再爬爬拉手糯米，做个前端，一个团购导航站就问世了。我把程序跑了一下，全自动搜集，不算太复杂。
但是，我觉得 java 太啰嗦，不够简洁。Python 这个脚本语言开发起来速度很快，一个活生生的例子是因有关政策 verycd 开始自我阉割，有网友为了抢救资源，把整个 verycd 站爬了下来，镜像为
SimpleCD.org。看了一下爬虫
源代码，其实挺简单。使用方法：
python sitecopy.py http://www.163.com
|
python sitecopy.py http://www.163.com
看看效果：
http://www.lovelucy.info/demo/www.163.com
1. 获取html页面
其实，最基本的抓站，两句话就可以了
import urllib2
content = urllib2.urlopen('http://XXXX').read()
|
import urllib2
content = urllib2.urlopen('http://XXXX').read()
这样可以得到整个 html 文档，关键的问题是我们可能需要从这个文档中获取我们需要的有用信息，而不是整个文档。这就需要解析充满了各种标签的 html。
2. 解析 html
SGMLParser
Python 默认自带 HTMLParser 以及 SGMLParser 等等解析器，前者实在是太难用了，我就用 SGMLParser 写了一个示例程序：
import urllib2
from sgmllib import SGMLParser
class ListName(SGMLParser):
def __init__(self):
SGMLParser.__init__(self)
self.is_h4 = ""
self.name = []
def start_h4(self, attrs):
self.is_h4 = 1
def end_h4(self):
self.is_h4 = ""
def handle_data(self, text):
if self.is_h4 == 1:
self.name.append(text)
content = urllib2.urlopen('http://list.taobao.com/browse/cat-0.htm').read()
listname = ListName()
listname.feed(content)
for item in listname.name:
print item.decode('gbk').encode('utf8')
|
import urllib2
from sgmllib import SGMLParser
class ListName(SGMLParser):
def __init__(self):
SGMLParser.__init__(self)
self.is_h4 = ""
self.name = []
def start_h4(self, attrs):
self.is_h4 = 1
def end_h4(self):
self.is_h4 = ""
def handle_data(self, text):
if self.is_h4 == 1:
self.name.append(text)
content = urllib2.urlopen('http://list.taobao.com/browse/cat-0.htm').read()
listname = ListName()
listname.feed(content)
for item in listname.name:
print item.decode('gbk').encode('utf8')
很简单，这里定义了一个叫做
ListName 的类，继承
SGMLParser 里面的方法。使用一个变量
is_h4 做标记判定 html 文件中的
h4 标签，如果遇到
h4 标签，则将标签内的内容加入到
List 变量
name 中。解释一下
start_h4() 和
end_h4() 函数，他们原型是 SGMLParser 中的
start_tagname(self, attrs)
end_tagname(self)
tagname 就是标签名称，比如当遇到
<pre>，就会调用
start_pre，遇到
</pre>，就会调用
end_pre。
attrs 为标签的参数，以
[(attribute, value), (attribute, value), ...] 的形式传回。
输出：
虚拟票务
数码市场
家电市场
女装市场
男装市场
童装童鞋
女鞋市场
男鞋市场
内衣市场
箱包市场
服饰配件
珠宝饰品
美容市场
母婴市场
家居市场
日用市场
食品/保健
运动鞋服
运动户外
汽车用品
玩具市场
文化用品市场
爱好市场
生活服务
如果有乱码，可能是与网页编码不一致，需要替换最后一句
deconde() 的参数，我在香港淘宝默认用的是繁体编码。各位可以 copy 上面的代码自己试试，把淘宝的商品目录抓下来，就是这么简单。稍微改改，就可以抽取二级分类等其他信息。
pyQuery
pyQuery 是 jQuery 在 python 中的实现，能够以 jQuery 的语法来操作解析 HTML 文档，十分方便。使用前需要安装，easy_install pyquery 即可，或者 Ubuntu 下
sudo apt-get install python-pyquery
|
sudo apt-get install python-pyquery
以下例子：
from pyquery import PyQuery as pyq
doc=pyq(url=r'http://list.taobao.com/browse/cat-0.htm')
cts=doc('.market-cat')
for i in cts:
print '====',pyq(i).find('h4').text() ,'===='
for j in pyq(i).find('.sub'):
print pyq(j).text() ,
print '\n'
|
from pyquery import PyQuery as pyq
doc=pyq(url=r'http://list.taobao.com/browse/cat-0.htm')
cts=doc('.market-cat')
for i in cts:
print '====',pyq(i).find('h4').text() ,'===='
for j in pyq(i).find('.sub'):
print pyq(j).text() ,
print '\n'
BeautifulSoup
有个头痛的问题是，大部分的网页都没有完全遵照标准来写，各种莫名其妙的错误令人想要找出那个写网页的人痛打一顿。为了解决这个问题，我们可以选择著名的
BeautifulSoup 来解析 html 文档，它具有很好的容错能力。
还是用例子来说明吧。我在工作时遇到一个需求，是要查询某一个 NS 服务器的所有域名，通过搜索我找到
sitedossier.com 这个网站可以提供域名服务器的信息。那么就要写个爬虫来抓查询结果了，看上去查询结果页面就是一个 ol 列表，并不复杂。
有点棘手的是如果结果太多，它会进行分页。爬虫需要能够（1）自动翻页（2）知道最后一页。最后一页有“End of list”字符串，所以可以通过正则表达式搞定。
代码开源在
Github 上，几个函数都还算清晰可读，这里就不贴了。感觉这段脚本还是有点小用处的，比如你可以查到迄今为止有 304373 个域名在用 DNSPOD 解析，或者你想看看新浪 SAE 上到底有多少个网站，又或者了解下百度有些什么域名，观察域名规律抢注近似域名神马的……
用法：
$ python crawler_ns.py -ns dns.baidu.com
# 保存结果到文件：
$ python crawler_ns.py -ns dns.baidu.com >> result.txt
|
$ python crawler_ns.py -ns dns.baidu.com
# 保存结果到文件：
$ python crawler_ns.py -ns dns.baidu.com >> result.txt
BeautifulSoup 功能强大，我还在研究学习。有进展会更新本文。
