Question

我想抓取并将一些网页保存为HTML。比如说，爬进数百个热门网站，只需保存他们的前台和“关于”页面。

我已经研究了很多问题，但没有从网页抓取或网页抓取问题中找到答案。

我应该使用什么库或工具来构建解决方案？或者甚至有一些现有的工具可以解决这个问题吗？

Answer 1

在使用Python时，您可能会对mechanize和BeautifulSoup感兴趣。

机械化类似于模拟浏览器（包括代理，伪造浏览器标识，页面重定向等选项）并允许轻松获取表单，链接，......文档有点粗糙/虽然稀疏。

一些示例代码（来自mechanize网站）给你一个想法：

import mechanize
br = mechanize.Browser()
br.open("http://www.example.com/")
# follow second link with element text matching regular expression
html_response = br.follow_link(text_regex=r"cheese\s*shop", nr=1)
print br.title()
print  html_response

BeautifulSoup 允许非常轻松地解析html内容（您可以使用mechanize获取），并支持正则表达式。

一些示例代码：

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(html_response)

rows = soup.findAll('tr')
for r in rows[2:]:  #ignore first two rows
    cols = r.findAll('td')
    print cols[0].renderContents().strip()    #print content of first column

因此，上面的这10行几乎可以复制粘贴，以便打印网站上每个表行第一列的内容。

Answer 2

这里确实没有好的解决方案。你是对的，因为你怀疑Python可能是最好的开始方式，因为它非常强大地支持正则表达式。

为了实现这样的目标，SEO（搜索引擎优化）的强大知识将有所帮助，因为有效地优化搜索引擎的网页会告诉您搜索引擎的行为方式。我会从像SEOMoz这样的网站开始。

就识别“关于我们”页面而言，您只有两个选项：

a）对于每个页面，请获取about us页面的链接并将其提供给您的抓取工具。

b）解析某些关键字的页面的所有链接，例如“关于我们”，“关于”“了解更多”等等。

在使用选项b时，要小心，因为你可能陷入无限循环，因为网站会多次链接到同一页面，特别是如果链接在页眉或页脚中，页面甚至可以链接回自身。为了避免这种情况，您需要创建一个访问过的链接列表，并确保不要重新访问它们。

最后，我建议让您的抓取工具尊重robot.txt文件中的说明，并且最好不要关注标记为rel="nofollow"的链接，因为这些链接主要用于外部链接。再次，通过阅读SEO来学习这一点和更多。

此致

Answer 3

试试scrapy。它是python的web抓取库。如果需要一个简单的python脚本，请在python中尝试urllib2。

Answer 4

Python ==＆gt; Curl＆lt; - 爬虫的最佳实现

以下代码可以在一台漂亮的服务器上在300秒内抓取10,000个页面。

#! /usr/bin/env python
# -*- coding: iso-8859-1 -*-
# vi:ts=4:et
# $Id: retriever-multi.py,v 1.29 2005/07/28 11:04:13 mfx Exp $

#
# Usage: python retriever-multi.py <file with URLs to fetch> [<# of
#          concurrent connections>]
#

import sys
import pycurl

# We should ignore SIGPIPE when using pycurl.NOSIGNAL - see
# the libcurl tutorial for more info.
try:
    import signal
    from signal import SIGPIPE, SIG_IGN
    signal.signal(signal.SIGPIPE, signal.SIG_IGN)
except ImportError:
    pass


# Get args
num_conn = 10
try:
    if sys.argv[1] == "-":
        urls = sys.stdin.readlines()
    else:
        urls = open(sys.argv[1]).readlines()
    if len(sys.argv) >= 3:
        num_conn = int(sys.argv[2])
except:
    print "Usage: %s <file with URLs to fetch> [<# of concurrent connections>]" % sys.argv[0]
    raise SystemExit


# Make a queue with (url, filename) tuples
queue = []
for url in urls:
    url = url.strip()
    if not url or url[0] == "#":
        continue
    filename = "doc_%03d.dat" % (len(queue) + 1)
    queue.append((url, filename))


# Check args
assert queue, "no URLs given"
num_urls = len(queue)
num_conn = min(num_conn, num_urls)
assert 1 <= num_conn <= 10000, "invalid number of concurrent connections"
print "PycURL %s (compiled against 0x%x)" % (pycurl.version, pycurl.COMPILE_LIBCURL_VERSION_NUM)
print "----- Getting", num_urls, "URLs using", num_conn, "connections -----"


# Pre-allocate a list of curl objects
m = pycurl.CurlMulti()
m.handles = []
for i in range(num_conn):
    c = pycurl.Curl()
    c.fp = None
    c.setopt(pycurl.FOLLOWLOCATION, 1)
    c.setopt(pycurl.MAXREDIRS, 5)
    c.setopt(pycurl.CONNECTTIMEOUT, 30)
    c.setopt(pycurl.TIMEOUT, 300)
    c.setopt(pycurl.NOSIGNAL, 1)
    m.handles.append(c)


# Main loop
freelist = m.handles[:]
num_processed = 0
while num_processed < num_urls:
    # If there is an url to process and a free curl object, add to multi stack
    while queue and freelist:
        url, filename = queue.pop(0)
        c = freelist.pop()
        c.fp = open(filename, "wb")
        c.setopt(pycurl.URL, url)
        c.setopt(pycurl.WRITEDATA, c.fp)
        m.add_handle(c)
        # store some info
        c.filename = filename
        c.url = url
    # Run the internal curl state machine for the multi stack
    while 1:
        ret, num_handles = m.perform()
        if ret != pycurl.E_CALL_MULTI_PERFORM:
            break
    # Check for curl objects which have terminated, and add them to the freelist
    while 1:
        num_q, ok_list, err_list = m.info_read()
        for c in ok_list:
            c.fp.close()
            c.fp = None
            m.remove_handle(c)
            print "Success:", c.filename, c.url, c.getinfo(pycurl.EFFECTIVE_URL)
            freelist.append(c)
        for c, errno, errmsg in err_list:
            c.fp.close()
            c.fp = None
            m.remove_handle(c)
            print "Failed: ", c.filename, c.url, errno, errmsg
            freelist.append(c)
        num_processed = num_processed + len(ok_list) + len(err_list)
        if num_q == 0:
            break
    # Currently no more I/O is pending, could do something in the meantime
    # (display a progress bar, etc.).
    # We just call select() to sleep until some more data is available.
    m.select(1.0)


# Cleanup
for c in m.handles:
    if c.fp is not None:
        c.fp.close()
        c.fp = None
    c.close()
m.close()

Answer 5

如果您要填充爬虫（需要特定于Java）：

了解如何使用java.net.URL和java.net.URLConnection类或使用HttpClient库
了解http请求/响应标头
了解重定向（HTTP，HTML和Javascript）
了解内容编码（charsets）
使用一个好的库来解析格式错误的HTML（例如cyberNecko，Jericho，JSoup）
向不同的主机发出并发HTTP请求，但确保每隔约5秒向同一主机发出不超过一个请求
保留已提取的网页，因此如果他们每天都不需要重新提取不要经常改变（HBase可能有用）。
从当前页面提取链接到下一次抓取的方法
服从robots.txt

其他一些东西。

这并不困难，但有很多繁琐的边缘情况（例如重定向，检测编码（结帐Tika））。

有关更多基本要求，您可以使用wget。 Heretrix是另一种选择，但还有另一个需要学习的框架。

识别关于我们页面可以使用各种启发式方法完成：

入站链接文字
页面标题
页面上的内容
URL

如果你想更加量化它，你可以使用机器学习和分类器（可能是贝叶斯）。

保存首页显然更容易，但首页重定向（有时到不同的域，通常在HTML元重定向标记甚至JS中实现）非常常见，因此您需要处理此问题。

Answer 6

Heritrix有一个陡峭的学习曲线，但可以配置为只有主页，以及“看起来像”（使用正则表达式过滤器）页面的页面将被抓取

更多开源Java（网络）抓取工具：http://java-source.net/open-source/crawlers

Web挖掘或抓取或爬行？我应该使用什么工具/库？

6 个答案: