添加了爬虫第2天代码

b3a88734 · 骆昊的技术专栏 · e4204ed9 · b3a88734 · b3a88734 · b3a88734
5 changed file
--- a/Day66-75/02.数据采集和解析.md
+++ b/Day66-75/02.数据采集和解析.md
@@ -4,8 +4,9 @@

 1. 下载数据 - urllib / requests / aiohttp。
 2. 解析数据 - re / lxml / beautifulsoup4（bs4）/ pyquery。
-3. 持久化 - pymysql / redis / sqlalchemy / peewee / pymongo。
-4. 调度器 - 进程 / 线程 / 协程。
+3. 缓存和持久化 - pymysql / redis / sqlalchemy / peewee / pymongo。
+4. 序列化和压缩 - pickle / json / zlib。
+5. 调度器 - 进程 / 线程 / 协程。

 ### HTML页面分析

@@ -86,3 +87,40 @@

 > 说明：更多内容可以参考BeautifulSoup的[官方文档]()。

+### 例子 - 获取知乎发现上的问题链接
+
+```Python
+from urllib.parse import urljoin
+
+import re
+import requests
+
+from bs4 import BeautifulSoup
+
+
+def main():
+    headers = {'user-agent': 'Baiduspider'}
+    proxies = {
+        'http': 'http://122.114.31.177:808'
+    }
+    base_url = 'https://www.zhihu.com/'
+    seed_url = urljoin(base_url, 'explore')
+    resp = requests.get(seed_url,
+                        headers=headers,
+                        proxies=proxies)
+    soup = BeautifulSoup(resp.text, 'lxml')
+    href_regex = re.compile(r'^/question')
+    link_set = set()
+    for a_tag in soup.find_all('a', {'href': href_regex}):
+        if 'href' in a_tag.attrs:
+            href = a_tag.attrs['href']
+            full_url = urljoin(base_url, href)
+            link_set.add(full_url)
+    print('Total %d question pages found.' % len(link_set))
+
+
+if __name__ == '__main__':
+    main()
+
+```
+
--- a/Day66-75/03.存储数据.md
+++ b/Day66-75/03.存储数据.md
 ## 存储数据

-### 缓存和持久化
+### 数据缓存
+
+通过前面章节的内容，我们已经知道了如何从指定的页面中抓取数据，以及如何保存抓取的结果，但是我们没有考虑过这么一种情况，就是我们可能需要从已经抓取过的页面中提取出更多的数据，重新去下载这些页面对于规模不大的网站倒是问题也不大，但是如果能够把这些页面缓存起来，对应用的性能会有明显的改善。
+
+### 使用NoSQL
+
+#### Redis
+
+#### Mongo

-### 磁盘文件缓存

-### 数据库缓存

--- a/Day66-75/code/example02.py
+++ b/Day66-75/code/example02.py
@@ -13,7 +13,7 @@ def main():
        </head>
        <body>
            <h1>Hello, world!</h1>
-            <p>这是一个神奇的网站！</p>
+            <p>这是一个<em>神奇</em>的网站！</p>
            <hr>
            <div>
                <h2>这是一个例子程序</h2>
@@ -44,14 +44,28 @@ def main():
    print(soup.title)
    # JavaScript - document.body.h1
    print(soup.body.h1)
-    print(soup.find_all(re.compile(r'^h')))
+    print(soup.p)
+    print(soup.body.p.text)
+    print(soup.body.p.contents)
+    for p_child in soup.body.p.children:
+        print(p_child)
+    print(len([elem for elem in soup.body.children]))
+    print(len([elem for elem in soup.body.descendants]))
+    print(soup.findAll(re.compile(r'^h[1-6]')))
+    print(soup.body.find_all(r'^h'))
+    print(soup.body.div.find_all(re.compile(r'^h')))
    print(soup.find_all(re.compile(r'r$')))
    print(soup.find_all('img', {'src': re.compile(r'\./img/\w+.png')}))
    print(soup.find_all(lambda x: len(x.attrs) == 2))
+    print(soup.find_all(foo))
    print(soup.find_all('p', {'class': 'foo'}))
    for elem in soup.select('a[href]'):
        print(elem.attrs['href'])


+def foo(elem):
+    return len(elem.attrs) == 2
+
+
 if __name__ == '__main__':
    main()
--- a/Day66-75/code/example04.py
+++ b/Day66-75/code/example04.py
+from urllib.parse import urljoin
+
+import re
+import requests
+
+from bs4 import BeautifulSoup
+
+
+def main():
+    headers = {'user-agent': 'Baiduspider'}
+    proxies = {
+        'http': 'http://122.114.31.177:808'
+    }
+    base_url = 'https://www.zhihu.com/'
+    seed_url = urljoin(base_url, 'explore')
+    resp = requests.get(seed_url,
+                        headers=headers,
+                        proxies=proxies)
+    soup = BeautifulSoup(resp.text, 'lxml')
+    href_regex = re.compile(r'^/question')
+    link_set = set()
+    for a_tag in soup.find_all('a', {'href': href_regex}):
+        if 'href' in a_tag.attrs:
+            href = a_tag.attrs['href']
+            full_url = urljoin(base_url, href)
+            link_set.add(full_url)
+    print('Total %d question pages found.' % len(link_set))
+
+
+if __name__ == '__main__':
+    main()
--- a/Day66-75/code/example05.py
+++ b/Day66-75/code/example05.py
+from urllib.error import URLError
+from urllib.request import urlopen
+
+import re
+import redis
+import ssl
+import hashlib
+import logging
+import pickle
+import zlib
+
+# Redis有两种持久化方案
+# 1. RDB
+# 2. AOF
+
+
+# 通过指定的字符集对页面进行解码(不是每个网站都将字符集设置为utf-8)
+def decode_page(page_bytes, charsets=('utf-8',)):
+    page_html = None
+    for charset in charsets:
+        try:
+            page_html = page_bytes.decode(charset)
+            break
+        except UnicodeDecodeError:
+            pass
+            # logging.error('[Decode]', err)
+    return page_html
+
+
+# 获取页面的HTML代码(通过递归实现指定次数的重试操作)
+def get_page_html(seed_url, *, retry_times=3, charsets=('utf-8',)):
+    page_html = None
+    try:
+        if seed_url.startswith('http://') or \
+                seed_url.startswith('https://'):
+            page_html = decode_page(urlopen(seed_url).read(), charsets)
+    except URLError as err:
+        logging.error('[URL]', err)
+        if retry_times > 0:
+            return get_page_html(seed_url, retry_times=retry_times - 1,
+                                 charsets=charsets)
+    return page_html
+
+
+# 从页面中提取需要的部分(通常是链接也可以通过正则表达式进行指定)
+def get_matched_parts(page_html, pattern_str, pattern_ignore_case=re.I):
+    pattern_regex = re.compile(pattern_str, pattern_ignore_case)
+    return pattern_regex.findall(page_html) if page_html else []
+
+
+# 开始执行爬虫程序并对指定的数据进行持久化操作
+def start_crawl(seed_url, match_pattern, *, max_depth=-1):
+    client = redis.Redis(host='120.77.222.217', port=11223, password='1qaz2wsx')
+    charsets = ('utf-8', 'gbk', 'gb2312')
+    logging.info('[Redis ping]', client.ping())
+    url_list = [seed_url]
+    visited_url_list = {seed_url: 0}
+    while url_list:
+        current_url = url_list.pop(0)
+        depth = visited_url_list[current_url]
+        if depth != max_depth:
+            page_html = get_page_html(current_url, charsets=charsets)
+            links_list = get_matched_parts(page_html, match_pattern)
+            for link in links_list:
+                if link not in visited_url_list:
+                    visited_url_list[link] = depth + 1
+                    page_html = get_page_html(link, charsets=charsets)
+                    if page_html:
+                        hasher = hashlib.md5()
+                        hasher.update(link.encode('utf-8'))
+                        zipped_page = zlib.compress(pickle.dumps(page_html))
+                        client.set(hasher.hexdigest(), zipped_page)
+
+
+def main():
+    ssl._create_default_https_context = ssl._create_unverified_context
+    start_crawl('http://sports.sohu.com/nba_a.shtml',
+                r'<a[^>]+test=a\s[^>]*href=["\'](.*?)["\']',
+                max_depth=2)
+
+
+if __name__ == '__main__':
+    main()