积分商城

最新搜索： MBI6024 安卓app AD8333 IP179N 开关电源
您现在的位置是：首页 > 技术资料 > 基于Python的网络爬虫程序设计
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python的网络爬虫程序设计

更新时间：2019-12-25 08:43:17 大小：3M 上传用户：songhuahua查看TA发布的资源 标签：python网络爬虫 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(1) 举报

资料介绍

网络信息量的迅猛增长,对如何从海量的信息中准确的搜索到用户需要的信息提出了极大的挑战。网络爬虫具有能够自动提取网页信息的能力。本文根据某信息网的特点,提出了一种基于Python的聚焦爬虫程序设计。实验结果表明:本程序具有针对性强,数据采集速度快、简单等优点,有利于对其它的数据进行后续的挖掘研究。


部分文件列表

文件名 大小
基于Python的网络爬虫程序设计.pdf 3M

部分页面预览

（完整内容请下载后查看）
程序设计  
Program Design  
•
基于 Python 的网络爬虫程序设计  
文/郭丽蓉  
表 1：各个数据定位的 Class  
元素  
网络信息量的迅猛增长，对  
如何从海量的信息中准确的搜索  
到用户需要的信息提出了极大的  
挑战。网络爬虫具有能够自动提  
取网页信息的能力。本文根据某  
信息网的特点，提出了一种基于  
Python的聚焦爬虫程序设计。实  
验结果表明：本程序具有针对性  
强，数据采集速度快、简单等优点，  
有利于对其它的数据进行后续的  
挖掘研究。  
摘
要
数据  
公司名称  
职位  
Class  
comp_name  
name  
div  
span  
'p  
薪水  
job_salary  
理，快速高效。同时，利用爬虫可以获取大量  
的感性认识中得不到有价值数据，为一些决策  
提供依据。  
2 Python概述  
Python 语言是一种功能强大面向对象的  
解释型计算机程序设计语言，能有效而且简单  
地实现面向对象编程。Python 语言属于语法简  
洁清晰的开源编程语言，特色之一是强制用空  
白符 (white space) 作为语句缩进。  
【关键词】网络爬虫 Python  
图1：爬虫流程图  
（2）What：爬什么，分析上述页面，确  
定从页面中爬取的数据。  
Python 具有丰富的标准库和强大的第三  
方库。它常被昵称为胶水语言，能够和其他语  
言制作的各种模块（尤其是 C/C++）很轻松地  
联结在一起，易于扩展。常见的一种应用情形  
是，使用 Python 快速生成程序的原型（有时  
甚至是程序的最终界面），然后可以用更合适  
的语言改写其中有特别要求的部分，比如对于  
1 爬虫技术  
网 络 爬 虫， 又 称 网 页 蜘 蛛（web  
spider），是一个功能强大的能够自动提取网  
页信息的程序，它模仿浏览器访问网络资源，  
从而获取用户需要的信息，它可以为搜索引擎  
从万维网上下载网页信息，因此也是搜索引擎  
的重要组成部分。  
（3）How：怎么爬，可使用 Python 强大  
丰富的标准库及第三方库来完成。这是爬虫的  
核心部分。尤其是对网页的解析，可使用正则  
表达式、BeautifulSoup、lxml 来解析网页，三  
种方法各有千秋，使用时可根据用户的熟练程  
度和需要选择一种适合的解析方法。  
性能要求特别高的 3D 游戏中的图形渲染模块，  
完全可以用 C/C++ 重写封装为 Python 可以调  
用的扩展类库。  
根据爬取的对象、使用的结构及技术，  
爬虫可分为：  
3.2 具体实施  
在使用之前，必须搭建好使用环境。到  
Python 官网下载针对用户所使用的操作系统  
Python 版本来安装，安装完成后需要设置环境  
变量便于启动 Python。同时可选择一款合适的  
编辑工具来完成爬虫的编写。  
该爬虫系统主要由三个模块：页面抓取  
模块、页面分析模块、数据存储模块，三个模  
块之间相互协作，共同完成网页数据的抓取。  
（1）爬虫实现流程如图 1 所示。  
（2）打开某信息网招聘信息，该网站  
URL 是爬虫主要的处理对象，打开互联网职  
位页面并分析网页源代码结构，代码如图 2 所  
示。  
1.1 通用型爬虫  
该爬虫又称为全网爬虫，主要用在搜索  
引擎，从初始的 URL 到全网页面，但需要的  
存储容量大，速度要求快，工作性能强大。  
目前 Python 的版本有 2.X 和 3.X。两者  
主要在语法、编码、性能、模块上有些不同。  
使用 Python 开发爬虫的优点：  
1.2 聚焦型爬虫  
该爬虫专注某一方面，只搜索事先定义  
的关键信息。  
（1）语言简洁，使用方便。  
分析代码过程中，可利用开发者工具确  
定每个数据对应的元素及 Class 名称。例如本  
页面的公司名称、职位、薪水对应的元素及  
Class 如表 1 所示。  
（2）提供功能强大的爬虫框架。  
1.3 增量型爬虫  
（3）丰富的网络支持库及网页解析器。  
本文中的爬虫是在 Python 3.6 环境下调试  
完成的。  
每隔一段时间更新，重新爬取，更新数  
据库。  
（3）确定爬虫方法，导入程序中所用到  
的库。对服务器发出请求，打开网页，需要  
使用 requests 库，本爬虫中分析网页使用的是  
BeautifulSoup方式，需要用到BeautifulSoup库，  
存储数据用到库 xlwt，整个爬虫程序中用到的  
库都需要导入。部分代码及注释（# 开始为注  
释行）为如下：  
3 爬虫案例  
1.4 深层爬虫  
本文通过 Python 语言来实现一个简单的  
聚焦爬虫程序，把需要的招聘信息爬取保存到  
本地。该爬虫的功能是爬取某信息网上关于互  
联网职位的信息，并将其发布的招聘信息保存  
在 Excel 文档中。  
该爬虫一般需要登录提交数据，才能进  
入页面提取信息。  
利用网络爬虫，能够帮助用户解决上网  
浏览过程中的一些信息的快速抓取及保存。比  
如日常上网浏览网页过程中，经常会看到一些  
喜欢的图片，希望保存下来作为素材使用，一  
般的方法就是通过单击鼠标右键选择另存为来  
保存图片，如果批量保存图片工作量会比较大，  
而利用设计的网络爬虫来爬取图片，自动化处  
# 导入程序中所用到的库  
import requests  
3.1 解决Where、What、How的问题  
from bs4 import BeautifulSoup  
importxlwt  
（1）Where：爬哪里，确定要抓取的页面。  
# 打开网页  
解决这个问题由用户对数据的需求来决定。  
电子技术与软件工程ꢀꢀ  
Electronic Technology & Software Engineering  
248 •  
Program Design  
程序设计  
•
图2：部分网页源代码  
r=requests.get(link,headers=headers)  
for data in (comp,name,salary):  
sheet1.write(i+1,0,comp)  
sheet1.write(i+1,1,name)  
sheet1.write(i+1,2,salary)  
i+=1  
# 通过 BeautifulSoup 的 find_all 方法解析  
页面  
soup=BeautifulSoup(r.text,"lxml")  
job_list=soup.find_all('li',class_="job_  
itemclearfix")  
# 查找公司名称、职位、薪水等信息  
# 保存 Excel 文档  
book.save('joblist.xls')  
for job in job_list:  
comp=job.find('div',class_='comp_name').  
保存结果如图 3 所示。  
图3：存储的Exceꢀ文档  
text.strip()  
name=job.find('span',class_='name').text.  
strip()  
salary=job.find('p',class_='job_salary').text.  
strip()  
可以看到和网页中提供的招聘信息是一  
致的。  
3.3 改进和完善  
上述爬虫只能爬取网页上的第一页招聘  
情分析及网络犯罪线索发现中。  
参考文献  
信息，如果需要爬取所有页面信息，可根据分  
析网页 URL 地址的规律，使用 for 循环爬取。  
分析比较：  
Python/407313?fr=aꢀaddin.  
（4）爬取结果，本地保存。爬虫从网页  
中提取数据后，需要将数据保存下来，Python  
提供存储数据的方法：可保存到文件中（包括  
TXT 文件和 XLS 文件），也可存储在数据库  
中（包括 MySQL 关系数据库和 MongoDB 数  
据库）。该爬虫对招聘信息进行本地保存，存  
储格式为 .XLS 文件。部分代码如下：  
# 创建 Excel 文档保存将要爬取的数据  
book=xlwt.Workbook(encoding='utf-8')  
sheet1=book.add_sheet(u'sheet1',cell_  
overwrite_ok=True)  
[2]谢克武.大数据环境下基于Python的网  
络爬虫技术[J].软件开发,2017,5(44).  
[3]唐松, 陈智力铨.Python网络爬虫[M].  
北京：机械工业出版社,2017.  
0 d 3 0 3 6 5 5 - 0 0 2 e - 4 9 6 4 - f 9 0 b -  
fa2a1cb1f628&ClickID=3  
0 d 2 0 2 4 0 8 - 0 0 2 e - 4 6 b c - d 2 a 9 -  
36b62fb6175b&ClickID=2  
[4] 陈琳 , 任芳 . 基于 Python 的新浪微博  
数据爬虫程序设计 [J]. 信息系统工  
程,2016,9:(97-99).  
到下一页 ClickID 的值增加 1, 需重新构造  
URL。  
[5]于成龙,于洪波.网络爬虫技术研究[J].  
东莞理工学院学报,2011,6:(25-27).  
[6] 韩菲,金磊等.基于Python的实时数据  
库设计[J].仪表仪器用户,2017,6(28).  
部分代码如下：  
fori in range(0,10):  
link1=link+str(i)  
# 在创建好的 Excel 文档中写入信息标题  
heads=[u' 公司名称 ',u' 职位 ',u' 薪水 ']  
ii=0  
4 结束语  
作者简介  
郭丽蓉（1979-），女，山西省文水县人。讲师。  
总之，在大数据时代的今天，用户对各  
类数据的需求越来越多，对数据进行有效的分  
析可对相关决策提供依据，爬虫作为一种自动  
收集数据的手段，有广阔的应用。同时，结合  
学院实际情况，可以将爬虫技术应用在网络舆  
for head in heads:  
sheet1.write(0,ii,head)  
作者单位  
山西警察学院网络安全保卫系 陕西省太原市  
ii+=1  
# 调用 write 方法将查找到的信息写入  
Excel 文档中  
030021  
电子技术与软件工程  
Electronic Technology & Software Engineering  
• 249  

相关下载

全部评论(1)

评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

  • 21下载积分 打赏60.00元   3天前

    用户：gsy幸运

  • 21下载积分 打赏70.00元   3天前

    用户：铁蛋锅

  • 21下载积分 打赏65.00元   3天前

    用户：xzxbybd

  • 21下载积分 打赏60.00元   3天前

    用户：jh0355

  • 21下载积分 打赏60.00元   3天前

    用户：w178191520

  • 21下载积分 打赏20.00元   3天前

    用户：jh03551

  • 21下载积分 打赏20.00元   3天前

    用户：sun2152

  • 21下载积分 打赏20.00元   3天前

    用户：kk1957135547

  • 21下载积分 打赏25.00元   3天前

    用户：w1966891335

  • 21下载积分 打赏20.00元   3天前

    用户：xuzhen1

  • 21下载积分 打赏15.00元   3天前

    用户：x15580286248

  • 21下载积分 打赏25.00元   3天前

    用户：pcb

  • 21下载积分 打赏20.00元   3天前

    用户：bhacker

  • 21下载积分 打赏15.00元   3天前

    用户：liqiang9090

  • 21下载积分 打赏25.00元   3天前

    用户：有理想666

  • 21下载积分 打赏15.00元   3天前

    用户：godbox

  • 21下载积分 打赏15.00元   3天前

    用户：aetek

  • 21下载积分 打赏5.00元   3天前

    用户：mulanhk

  • 21下载积分 打赏5.00元   3天前

    用户：JuneLin61

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号