collect_py.rar_Python采集_collect_py.rar_pythonweb_python网站_采集

共1个文件

htm：1个

版权申诉

191 浏览量 2022-09-23 10:42:23 上传评论收藏 5KB RAR 举报

标题中的"collect_py.rar_Python 采集_collect_py.rar_python web_python 网站_采集"表明这是一个关于Python网络数据采集的项目，其中包含了名为"collect_py"的源代码。描述进一步证实了这一点，它提到这是一个使用Python开发的源码，主要用于从网站上采集内容，并且用户可以根据需要修改URL来针对不同的网站进行采集。 Python采集，通常涉及到网络爬虫技术，这是Python在IT行业中非常重要的应用领域。Python因其简洁易读的语法和丰富的第三方库（如requests、BeautifulSoup、Scrapy等）而成为爬虫开发的首选语言。requests库用于发送HTTP请求，BeautifulSoup则用于解析HTML或XML文档，提取所需数据，而Scrapy是一个强大的爬虫框架，适合构建大规模的爬取项目。 "collect_py.htm"是压缩包内的文件，可能是一个HTML文件，很可能包含了源代码的说明或者示例网页，用于测试采集功能。通常，开发者会创建一个简单的HTML页面来模拟目标网站的结构，以便于测试爬虫的正确性和效率。 Python采集主要涉及以下知识点： 1. **HTTP协议**：了解HTTP的基本请求方法（GET、POST等），以及HTTP头信息，这对于正确地向服务器发送请求至关重要。 2. **requests库**：学习如何使用requests库发送HTTP请求，获取响应，处理cookies、session等。 3. **HTML和CSS选择器**：理解HTML的基本结构，掌握CSS选择器，这能帮助我们准确地定位到需要抓取的数据。 4. **BeautifulSoup库**：学习如何使用BeautifulSoup解析HTML文档，提取特定元素，进行数据清洗。 5. **正则表达式**：在一些复杂情况下，可能需要用到正则表达式进行更复杂的文本匹配和提取。 6. **异常处理**：编写健壮的爬虫程序需要考虑各种可能的异常情况，如网络错误、编码问题等。 7. **数据存储**：采集到的数据通常需要保存，可以是CSV、JSON文件，或者是数据库如MySQL、MongoDB等。 8. **多线程/异步**：对于大规模的网站采集，可以利用Python的多线程或多进程，或者使用异步IO（如asyncio库）提高爬虫的并发性能。 9. **IP代理**：为了避免频繁请求被目标网站封禁，可以使用IP代理池进行IP切换。 10. **Scrapy框架**：对于更复杂的爬虫项目，Scrapy提供了完整的框架，包括请求调度、中间件、爬虫定义等。这个"collect_py"项目是一个实践性的学习资源，可以帮助初学者深入理解Python网络数据采集的过程和技术。通过研究源代码和测试文件，你可以掌握到上述的诸多技能，进一步提升自己的Python编程和网络爬虫能力。

资源推荐

资源详情

资源评论

收起资源包目录

collect_py.rar （1个子文件）

collect_py.htm 13KB

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">  <HTML><HEAD> <META http-equiv=Content-Type content="text/html; charset=utf-8"> <META content="MSHTML 6.00.2900.6036" name=GENERATOR></HEAD> <BODY><PRE>#!/usr/bin/python #-*-coding:utf-8-*- # 简易采集爬虫 # 1.采集Yahoo!Answers，parseData函数修改一下，可以采集任何网站 # 2.需要sqlite3或者pysqlite支持 # 3.可以在DreamHost.com空间上面运行 # 4.可以修改User-Agent冒充搜索引擎蜘蛛 # 5.可以设置暂停的时间，控制采集速度 # 6.采集Yahoo会被封IP数小时，所以这个采集用处不大 # Author: Lukin<mylukin@gmail.com> # Date : 2008-09-25 # 导入采集需要用到的模块 import re, sys, time import httplib, os.path as osp from urlparse import urlparse # 使用sqite数据库，为了兼容DreamHost.com的空间，只能这么写了 try : import sqlite3 as sqlite except ImportError: from pysqlite2 import dbapi2 as sqlite # 采集速度控制，单位秒 sleep = 0 # 数据库路径 dbname = './database.db' # 设置提交的header头 headers = {"Accept": "*/*","Referer": "http://answers.yahoo.com/","User-Agent": "Mozilla/5.0+(compatible;+Googlebot/2.1;++http://www.google.com/bot.html)"} # 连接服务器 dl = httplib.HTTPConnection('answers.yahoo.com') # 连接数据库 conn = sqlite.connect(osp.abspath(dbname)) # 创建数据库 def createDatabase(): global conn,dbname; if osp.isfile(osp.abspath(dbname)) : return c = conn.cursor() # 创建url列表存放表 c.execute('''CREATE TABLE IF NOT EXISTS [collect]([cid] INTEGER PRIMARY KEY,[curl] TEXT,[state] INTEGER DEFAULT '0',UNIQUE([curl]));''') c.execute('''CREATE INDEX IF NOT EXISTS [collect_idx_state] ON [collect]([state]);''') # 创建分类表 c.execute('''CREATE TABLE IF NOT EXISTS [sorts]([sortid] INTEGER PRIMARY KEY,[sortname] TEXT,[sortpath] TEXT,[sortfoot] INTEGER DEFAULT '0',[sortnum] INTEGER DEFAULT '0',UNIQUE([sortpath]));''') c.execute('''CREATE INDEX IF NOT EXISTS [sorts_idx_sortname] ON [sorts]([sortname]);''') c.execute('''CREATE INDEX IF NOT EXISTS [sorts_idx_sortfoot] ON [sorts]([sortfoot]);''') # 创建文章表 c.execute('''CREATE TABLE IF NOT EXISTS [article]([aid] INTEGER PRIMARY KEY,[sortid] INTEGER DEFAULT '0',[hits] INTEGER DEFAULT '0',[title] TEXT,[path] TEXT,[question] TEXT,[banswer] TEXT,[oanswer] TEXT,UNIQUE([path]));''') c.execute('''CREATE INDEX IF NOT EXISTS [article_idx_sortid] ON [article]([sortid]);''') # 事物提交 conn.commit() c.close() # 执行采集 def collect(url="http://answers.yahoo.com/"): global dl,error,headers; R = 0 print "GET:",url urls = urlparse(url); path = urls[2]; if urls[4]!='' : path += '?' + urls[4] dl.request(method="GET", url=path, headers=headers); rs = dl.getresponse() if rs.status==200 : R = parseData(rs.read(),url); else : print "3 seconds, try again ..."; time.sleep(3) dl.request(method="GET", url=path, headers=headers); rs = dl.getresponse() if rs.status==200 : R = parseData(rs.read(),url); else : print "3 seconds, try again ..."; time.sleep(3) dl.request(method="GET", url=path, headers=headers); rs = dl.getresponse() if rs.status==200 : R = parseData(rs.read(),url); else : print "Continue to collect ..." R = 3 # 更新记录 updateOneUrl(url,R) # 返回结果 return R # 处理采集到的数据 def parseData(html,url): global dl,conn; R = 2; c = conn.cursor() # 格式化html代码 format = formatURL(clearBlank(html),url) # 取出所有的连接 urls = re.findall(r'''(<a[^>]*?href="([^"]+)"[^>]*?>)|(<a[^>]*?href='([^']+)'[^>]*?>)''',format,re.I) if urls != None : i = 0 # 循环所有的连接 for regs in urls : # 得到一个单一的url sUrl = en2chr(regs[1].strip()) # 判断url是否符合规则，符合，则插入数据库 if re.search('http(.*?)/(dir|question)/index(.*?)',sUrl,re.I) != None : if re.search('http(.*?)/dir/index(.*?)',sUrl,re.I) != None: if sUrl.find('link=list') == -1 and sUrl.find('link=over') == -1 : sUrl+= '&link=over' else: sUrl = sUrl.replace('link=list','link=over') if sUrl[-11:]=='link=mailto' : continue try : c.execute('INSERT INTO [collect]([curl])VALUES(?);',(sUrl,)) i = i + 1 except sqlite.IntegrityError : pass if i>0 : print "Message: %d get a new URL." % (i,) # 截取数据 if re.search('http(.*)/question/index(.*)',url,re.I) != None : sortfoot = 0 # 自动创建分类和分类关系 guide = sect(format,'<ol id="yan-breadcrumbs">','</ol>','(<li>(.*?)Home(.*?)</li>)') aGuide = re.findall('<a[^>]*href="[^"]*"[^>]*>(.*?)</a>',guide,re.I) if aGuide != None : sortname = "" for sortname in aGuide : sortname = sortname.strip() sortpath = en2path(sortname) # 查询分类是否存在 c.execute('SELECT [sortid],[sortname] FROM [sorts] WHERE [sortpath]=? LIMIT 0,1;',(sortpath,)) row = c.fetchone(); # 分类不存在，添加分类 if row==None : c.execute('INSERT INTO [sorts]([sortname],[sortpath],[sortfoot])VALUES(?,?,?);',(sortname,sortpath,sortfoot)) sortfoot = c.lastrowid else: sortfoot = row[0] # 标题 title = sect(format,'<h1 class="subject">','</h1>') # 最佳答案 BestAnswer = sect(format,'(<h2><span>Best Answer</span>(.*?)</h2>(.*?)<div class="content">)','(</div>)') # 最佳答案不存在，则不采集 if BestAnswer != None : # 文章路径 path = en2path(sortname + '-' + title.strip()) # 问题 adddata = sect(format,'<div class="additional-details">','</div>') content = sect(format,'(<h1 class="subject">(.*?)<div class="content">)','(</div>)') if adddata != None : content += '<br/>' + adddata # 其他回答 OtherAnswer = '' for regs in re.findall('<div class="qa-container">(.+?)<div class="utils-container">',format): if regs.find('<h2>') == -1 and regs.find('</h2>') == -1 : a1 = sect(regs,'<div class="content">','</div>') a2 = sect(regs,'<div class="reference">','</div>') OtherAnswer+= '<div class="oAnswer">' + a1 if a2 != None : OtherAnswer+= '<div class="reference">' + a2 + '</div>' OtherAnswer+= '</div>' # 判断采集成功 if title != None and content != None : # 将数据写入到数据 try : c.execute('INSERT INTO [article]([sortid],[title],[path],[question],[banswer],[oanswer])VALUES(?,?,?,?,?,?);',(sortfoot,title,path,content,BestAnswer,OtherAnswer)) print "

评论收藏

内容反馈

版权申诉