摘要：本篇內(nèi)容為網(wǎng)絡(luò)爬蟲初級操作的簡單介紹，內(nèi)容主要有以下部分解析網(wǎng)頁數(shù)據(jù)庫解析網(wǎng)頁一般來說，解析網(wǎng)頁有三種方式正則表達(dá)式。關(guān)于，我們最后再來看一個實戰(zhàn)項目爬取北京二手房價格。代碼如下第頁這樣就成功爬取了安居客上前頁的北京二手房價格。

本篇內(nèi)容為 python 網(wǎng)絡(luò)爬蟲初級操作的簡單介紹，內(nèi)容主要有以下 2 部分：

解析網(wǎng)頁

數(shù)據(jù)庫

一般來說，解析網(wǎng)頁有三種方式：正則表達(dá)式、BeautifulSoup、lxml。其中正則表達(dá)式較難，BeautifulSoup 適合初學(xué)者，可以快速掌握提取網(wǎng)頁中數(shù)據(jù)的方法。

常見的正則字符和含義如下：

.    匹配任意字符，除了換行符
*     匹配前一個字符 0 次或多次
+    匹配前一個字符 1 次或多次
?    匹配前一個字符 0 次或 1 次

^    匹配字符串開頭
$    匹配字符串末尾

()    匹配括號內(nèi)表示式，也表示一個組

s    匹配空白字符
S    匹配任何非空白字符

d    匹配數(shù)字，等價于[0-9]
D    匹配任何非數(shù)字，等價于[^0-9]

w    匹配字母數(shù)字，等價于[A-Za-z0-9]
W    匹配非字母數(shù)字，等價于[^A-Za-z0-9]

[]    用來表示一組字符

Python 正則表達(dá)式有以下 3 種方法：
re.match 方法：從字符串起始位置匹配一個模式，如果從起始位置匹配了，match()就返回none。
語法 re.match(pattern, string, flags=0)
pattern：正則表達(dá)式
string：要匹配的字符串
flags：控制正則表達(dá)式的匹配方式，如 是否區(qū)分大小寫、多行匹配等

re.search方法：只能從字符串的起始位置進(jìn)行匹配。

find_all方法：可以找到所有的匹配。

BeautifulSoup 從 HTML 或 XML 文件中提取數(shù)據(jù)。首先需要使用命令行來進(jìn)行安裝：

pip install bs4

在使用的時候需要導(dǎo)入：

from bs4 import BeautifulSoup

例如使用 BeautifulSoup 獲取博客主頁文章的標(biāo)題，代碼和注釋如下：

import requests
from bs4 import BeautifulSoup

link = "http://www.santostang.com/"
headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
r = requests.get(link, headers=headers)
# 將網(wǎng)頁響應(yīng)體的字符串轉(zhuǎn)換為soup對象
soup = BeautifulSoup(r.text, "html.parser")
first_title = soup.find("h1", class_="post-title").a.text.strip()
print("第一篇文章的標(biāo)題是：", first_title)

title_list = soup.find_all("h1", class_="post-title")

for i in range(len(title_list)):
    title = title_list[i].a.text.strip()

    print("第 %s 篇文章的標(biāo)題是： %s" % (i+1, title))

運(yùn)行得到結(jié)果：

成功抓取到所需內(nèi)容。

關(guān)于 BeautifulSoup， 我們最后再來看一個實戰(zhàn)項目：爬取北京二手房價格。代碼如下：

import requests
from bs4 import BeautifulSoup
import time

headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}

for i in range(1,11):
    link = "https://beijing.anjuke.com/sale/"
    r = requests.get(link, headers=headers)
    print("第", i, "頁")

    soup = BeautifulSoup(r.text, "lxml")
    house_list = soup.find_all("li", class_="list-item")

    for house in house_list:
        name = house.find("div", class_="house-title").a.text.strip()
        price = house.find("span", class_="price-det").text.strip()
        price_area = house.find("span", class_="unit-price").text.strip()

        no_room = house.find("div", class_="details-item").span.text
        area = house.find("div", class_="details-item").contents[3].text
        floor = house.find("div", class_="details-item").contents[5].text
        year = house.find("div", class_="details-item").contents[7].text
        broker = house.find("span", class_="brokername").text
        broker = broker[1:]
        address = house.find("span", class_="comm-address").text.strip()
        address = address.replace("xa0xa0
                 ", "    ")
        tag_list = house.find_all("span", class_="item-tags")
        tags = [i.text for i in tag_list]
        print(name, price, price_area, no_room, area, floor, year, broker, address, tags)
    time.sleep(5)

這樣就成功爬取了安居客上前 10 頁的北京二手房價格。

數(shù)據(jù)存儲分為兩種，存儲在文件（TXT和CSV）中和存儲在數(shù)據(jù)庫（MySQL關(guān)系數(shù)據(jù)庫和MongoDB數(shù)據(jù)庫）中。

CSV (Comma-Separated Values)是逗號分隔值的文件格式，其文件以純文本的形式存儲表格數(shù)據(jù)（數(shù)字和文本）。
CSV 文件的每一行都用換行符分隔，列與列之間用逗號分隔。

MySQL是一種關(guān)系數(shù)據(jù)庫管理系統(tǒng)，所使用的是SQL語言，是訪問數(shù)據(jù)庫最常用的標(biāo)準(zhǔn)化語言。關(guān)系數(shù)據(jù)庫（建立在關(guān)系模型基礎(chǔ)上的數(shù)據(jù)庫）將數(shù)據(jù)保存在不同的表中，而不是將所有數(shù)據(jù)放在一個大倉庫內(nèi)，這樣就增加了寫入和提取的速度，數(shù)據(jù)的存儲也比較靈活。

關(guān)于存儲在文件的方法這里不再贅述，下面首先介紹如何存儲至MySQL數(shù)據(jù)庫。

你需要先到官網(wǎng)下載并安裝 MySQL數(shù)據(jù)庫，博主用的是 macOS Sierra 系統(tǒng)，在安裝完成后，打開系統(tǒng)偏好設(shè)置，如下圖：

最下方出現(xiàn) MySQL的圖標(biāo)，打開并連接，如下圖所示：

打開終端，在終端中輸入添加MySQL路徑的命令：

PATH="$PATH":/usr/local/mysql/bin

繼續(xù)輸入登錄到MySQL的命令：mysql -u root -p，然后輸入密碼即可成功登錄。成功登錄界面如下：

接下來介紹MySQL的基本操作：

創(chuàng)建數(shù)據(jù)庫

創(chuàng)建數(shù)據(jù)表

創(chuàng)建數(shù)據(jù)表必須指明每一列數(shù)據(jù)的名稱(column_name)和類別(column_type)。

在上圖中，創(chuàng)建了 4 個變量：id, url, content, created_time。其中id的類別是整數(shù)INT，屬性為自己增加(AUTO_INCREMENT)。新添加數(shù)據(jù)的數(shù)值會自動加 1。PRIMARY KEY的關(guān)鍵字用于將id定義為主鍵。

url和content的類別是可變長度的字符串VARCHAR,括號中的數(shù)字代表長度的最大值，NOT NULL表示url和content不能為空。created_time為該數(shù)據(jù)添加時間，不需要設(shè)置，因為有時間戳，它會自動根據(jù)當(dāng)時的時間填入。

創(chuàng)建數(shù)據(jù)表后，可查看數(shù)據(jù)表的結(jié)構(gòu)：

在數(shù)據(jù)表中插入數(shù)據(jù)

這里插入了url和content兩個屬性，id是自動遞增的，created_time是數(shù)據(jù)加入的時間戳，這兩個變量會自動填入。

從數(shù)據(jù)表中提取數(shù)據(jù)

由上圖，我們可以看到提取數(shù)據(jù)有 3 種方法：
（1）將id等于 1 的數(shù)據(jù)行提取出來；
（2）提取只看部分字段的數(shù)據(jù)；
（3）提取包含部分內(nèi)容的數(shù)據(jù)。

刪除數(shù)據(jù)

??注意，如果沒有指定 WHERE 子句，用DELETE FROM urls將會導(dǎo)致MySQL表中的所有記錄被刪除，即誤刪除整張表。

修改數(shù)據(jù)

由于id和created_time是數(shù)據(jù)庫自動填入的，因此這一行數(shù)據(jù)的id為 2。

更多操作可參考菜鳥教程。

下面介紹使用Python操作MySQL數(shù)據(jù)庫，依次使用下令命令安裝mysqlclient：

brew install mysql
export PATH=$PATH:/usr/local/mysql/bin
pip install MySQL-Python
pip3 install mysqlclient

出現(xiàn)下列文字即安裝成功：

用Python操作MySQL數(shù)據(jù)庫，我們以在博客爬取標(biāo)題和 url 地址為例，具體代碼和解釋如下：

#coding=UTF-8
import MySQLdb
import requests
from bs4 import BeautifulSoup

# connect() 方法用于創(chuàng)建數(shù)據(jù)庫的連接，里面可以指定參數(shù)：用戶名，密碼，主機(jī)等信息
#這只是連接到了數(shù)據(jù)庫，要想操作數(shù)據(jù)庫需要創(chuàng)建游標(biāo)
conn = MySQLdb.connect(host="localhost", user="root", passwd="your_password", db="MyScraping", charset="utf8")
# 通過獲取到的數(shù)據(jù)庫連接conn下的cursor()方法來創(chuàng)建游標(biāo)。
cur=conn.cursor()

link = "http://www.santostang.com/"
headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
r = requests.get(link, headers=headers)

soup = BeautifulSoup(r.text, "html.parser")
title_list = soup.find_all("h1", class_="post-title")
for eachone in title_list:
    url = eachone.a["href"]
    title = eachone.a.text.strip()
    # 創(chuàng)建數(shù)據(jù)表,通過游標(biāo)cur 操作execute()方法可以寫入純sql語句。通過execute()方法中寫如sql語句來對數(shù)據(jù)進(jìn)行操作
    cur.execute("INSERT INTO urls (url, content) VALUES (%s, %s)", (url, title))

cur.close()
conn.commit()
conn.close()

最后，我們來介紹如何存儲至MongoDB數(shù)據(jù)庫。

首先要知道NoSQL泛指非關(guān)系型數(shù)據(jù)庫，數(shù)據(jù)之間無關(guān)系，具有非常高的讀寫性能，而MongoDB是其中非常流行的一種數(shù)據(jù)庫。它是一種關(guān)系數(shù)據(jù)庫管理系統(tǒng)，所使用的是SQL語言，是訪問數(shù)據(jù)庫最常用的標(biāo)準(zhǔn)化語言。

下面仍以上述的在博客爬取標(biāo)題和 url 地址為例。

第一步連接 MongoDB客戶端，然后連接數(shù)據(jù)庫blog_database，再選擇該數(shù)據(jù)的集合blog。如果它們不存在，就會自動創(chuàng)建一個，代碼示例如下：

from pymongo import MongoClient

client = MongoClient("localhost", 27017)
db = client.blog_database
collection = db.blog

第二步爬取博客主頁的所有文章標(biāo)題存儲至MongoDB數(shù)據(jù)庫，代碼如下：

import requests
import datetime
from bs4 import BeautifulSoup
from pymongo import MongoClient

client = MongoClient("localhost", 27017)
db = client.blog_database
collection = db.blog

link = "http://www.santostang.com/"
headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
r = requests.get(link, headers=headers)

soup = BeautifulSoup(r.text, "html.parser")
title_list = soup.find_all("h1", class_="post-title")
for eachone in title_list:
    url = eachone.a["href"]
    title = eachone.a.text.strip()
    post = {"url": url,
            "title": title,
            "date": datetime.datetime.utcnow()

    }
    collection.insert_one(post)

重點(diǎn)在最后一部分的代碼，首先將爬蟲獲取的數(shù)據(jù)存入post的字典中，然后使用insert_one加入集合collection中。

最后，啟動MongoDB查看結(jié)果。

打開終端輸入：

sudo mongod --config /usr/local/etc/mongod.conf

確認(rèn)權(quán)限后，保持當(dāng)前終端不關(guān)，新建終端依次輸入：

mongod

mongo

出現(xiàn)以下文字表示連接成功：

然后，輸入：

use blog_database

db.blog.find().pretty()

就查詢到數(shù)據(jù)集合的數(shù)據(jù)了，如下圖所示：

同時注意到，它是JSON格式的。

更多使用 Python 來操作 MongoDB 數(shù)據(jù)庫的知識，可以參考 PyMongo官網(wǎng)。

本文為崔慶才博客和唐松的《Python網(wǎng)絡(luò)爬蟲從入門到實踐》學(xué)習(xí)記錄與總結(jié)，具體內(nèi)容可參考二者。博主在學(xué)習(xí)過程中的練習(xí)代碼也已上傳至 GitHub。

不足之處，歡迎指正。