有兴趣了解Google，Bing或Yahoo的工作方式吗？想知道抓取网络需要什么，以及简单的网络抓取工具是什么样的？在不到50行的Python（版本3）代码中，这是一个简单的Web爬虫！（带有注释的完整源代码位于本文的底部）。
让我们看看它是如何运行的。请注意，您输入起始网站，要查找的单词以及要搜索的最大页数。
好的，但它是如何运作的？
我们先来谈谈网络爬虫的目的是什么。如维基百科页面所述，网络爬虫是一种以有条不紊的方式浏览万维网以收集信息的程序。网络爬虫收集哪些信息？通常有两件事：
- 网页内容（页面上的文字和多媒体）
- 链接（在同一网站上的其他网页，或完全与其他网站）
这正是这个小“机器人”所做的。它从你输入spider（）函数的网站开始，查看该网站上的所有内容。这个特殊的机器人不检查任何多媒体，而只是寻找代码中描述的“text / html”。每次访问网页时网页 它收集两组数据：所有的文本页面上，所有的链接页面上。如果在页面上的文本中找不到该单词，则机器人将获取其集合中的下一个链接并重复该过程，再次收集下一页上的文本和链接集。一次又一次地重复这个过程，直到机器人找到了这个单词或者已经进入了你在spider（）函数中输入的限制。
这是谷歌的工作方式吗？
有点。Google有一整套网络抓取工具不断抓取网络，抓取是发现新内容的重要组成部分（或与不断变化或添加新内容的网站保持同步）。但是你可能注意到这个搜索需要一段时间才能完成，可能需要几秒钟。对于更难搜索的单词，可能需要更长时间。搜索引擎的另一个重要组成部分是索引。索引是您对Web爬网程序收集的所有数据执行的操作。索引意味着您解析（浏览和分析）网页内容并创建一个易于访问且可快速检索 *的大型集合（思考数据库或表）信息。因此，当您访问Google并输入“kitty cat”时，您的搜索词将直接到已经被抓取，解析和分析的数据集合。事实上，你的搜索结果已经坐在那里等待“小猫咪”的一个神奇短语来释放它们。这就是为什么你可以在0.14秒内获得超过1400万的结果。
*您的搜索条件实际上同时访问了许多数据库，例如拼写检查程序，翻译服务，分析和跟踪服务器等。
让我们更详细地看一下代码吧！
以下代码应完全适用于Python 3.x. 它是在2011年9月使用Python 3.2.2编写和测试的。继续将其复制并粘贴到您的Python IDE中并运行或修改它！
from html.parser import HTMLParser
from urllib.request import urlopen
from urllib import parse
# We are going to create a class called LinkParser that inherits some
# methods from HTMLParser which is why it is passed into the definition
class LinkParser(HTMLParser):
# This is a function that HTMLParser normally has
# but we are adding some functionality to it
def handle_starttag(self, tag, attrs):
# We are looking for the begining of a link. Links normally look
# like <a href="www.someurl.com"></a>
if tag == 'a':
for (key, value) in attrs:
if key == 'href':
# We are grabbing the new URL. We are also adding the
# base URL to it. For example:
# www.netinstructions.com is the base and
# somepage.html is the new URL (a relative URL)
#
# We combine a relative URL with the base URL to create
# an absolute URL like:
# www.netinstructions.com/somepage.html
newUrl = parse.urljoin(self.baseUrl, value)
# And add it to our colection of links:
self.links = self.links + [newUrl]
# This is a new function that we are creating to get links
# that our spider() function will call
def getLinks(self, url):
self.links = []
# Remember the base URL which will be important when creating
# absolute URLs
self.baseUrl = url
# Use the urlopen function from the standard Python 3 library
response = urlopen(url)
# Make sure that we are looking at HTML and not other things that
# are floating around on the internet (such as
# JavaScript files, CSS, or .PDFs for example)
if response.getheader('Content-Type')=='text/html':
htmlBytes = response.read()
# Note that feed() handles Strings well, but not bytes
# (A change from Python 2.x to Python 3.x)
htmlString = htmlBytes.decode("utf-8")
self.feed(htmlString)
return htmlString, self.links
else:
return "",[]
# And finally here is our spider. It takes in an URL, a word to find,
# and the number of pages to search through before giving up
def spider(url, word, maxPages):
pagesToVisit = [url]
numberVisited = 0
foundWord = False
# The main loop. Create a LinkParser and get all the links on the page.
# Also search the page for the word or string
# In our getLinks function we return the web page
# (this is useful for searching for the word)
# and we return a set of links from that web page
# (this is useful for where to go next)
while numberVisited < maxPages and pagesToVisit != [] and not foundWord:
numberVisited = numberVisited +1
# Start from the beginning of our collection of pages to visit:
url = pagesToVisit[0]
pagesToVisit = pagesToVisit[1:]
try:
print(numberVisited, "Visiting:", url)
parser = LinkParser()
data, links = parser.getLinks(url)
if data.find(word)>-1:
foundWord = True
# Add the pages that we visited to the end of our collection
# of pages to visit:
pagesToVisit = pagesToVisit + links
print(" **Success!**")
except:
print(" **Failed!**")
if foundWord:
print("The word", word, "was found at", url)
else:
print("Word never found")
好神奇！
进一步阅读
2014年12月，我写了一篇关于使用Java制作网络爬虫的指南，并在2015年11月，我写了一篇关于在Node.js / Javascript中制作网络爬虫的指南。如果您有兴趣了解如何使用其他语言，请查看这些内容。
如果Python是你的东西，那么一本书是一项很好的投资，例如以下内容
祝你好运！
原文：http://www.netinstructions.com/how-to-make-a-web-crawler-in-under-50-lines-of-python-code/
作者： Stephen
