以視頻爬取實例講解Python爬蟲神器Beautiful Soup用法
1.安裝BeautifulSoup4
easy_install安裝方式,easy_install需要提前安裝
easy_install beautifulsoup4
pip安裝方式,pip也需要提前安裝.此外PyPi中還有一個名字是 BeautifulSoup 的包,那是 Beautiful Soup3 的發(fā)布版本.在這里不建議安裝.
pip install beautifulsoup4
Debain或ubuntu安裝方式
apt-get install Python-bs4
你也可以通過源碼安裝,下載BS4源碼
Python setup.py install
2.小試牛刀
# coding=utf-8
'''
@通過BeautifulSoup下載百度貼吧圖片
'''
import urllib
from bs4 import BeautifulSoup
url = 'http://tieba.baidu.com/p/3537654215'
# 下載網(wǎng)頁
html = urllib.urlopen(url)
content = html.read()
html.close()
# 使用BeautifulSoup匹配圖片
html_soup = BeautifulSoup(content)
# 圖片代碼我們在[Python爬蟲基礎(chǔ)1--urllib]( http://blog.xiaolud.com/2015/01/22/spider-1st/ "Python爬蟲基礎(chǔ)1--urllib")里面已經(jīng)分析過了
# 相較通過正則表達式去匹配,BeautifulSoup提供了一個更簡單靈活的方式
all_img_links = html_soup.findAll('img', class_='BDE_Image')
# 接下來就是老生常談的下載圖片
img_counter = 1
for img_link in all_img_links:
img_name = '%s.jpg' % img_counter
urllib.urlretrieve(img_link['src'], img_name)
img_counter += 1
很簡單,代碼注釋里面已經(jīng)解釋的很清楚了.BeautifulSoup提供了一個更簡單靈活的方式,去分析網(wǎng)站源碼,更快獲取圖片link.
3.爬取實例
3.1基本的抓取技術(shù)
在寫一個爬蟲腳本時，第一件事情就是手動觀察要抓取的頁面來確定數(shù)據(jù)如何定位。
首先，我們要看一看在 http://pyvideo.org/category/50/pycon-us-2014 上的 PyCon 大會視頻列表。檢查這個頁面的 HTML 源代碼我們發(fā)現(xiàn)視頻列表的結(jié)果差不多是長這樣的：
<div id="video-summary-content">
<div class="video-summary"> <!-- first video -->
<div class="thumbnail-data">...</div>
<div class="video-summary-data">
<div>
<strong><a href="#link to video page#">#title#</a></strong>
</div>
</div>
</div>
<div class="video-summary"> <!-- second video -->
...
</div>
...
</div>
那么第一個任務(wù)就是加載這個頁面，然后抽取每個單獨頁面的鏈接，因為到 YouTube 視頻的鏈接都在這些單獨頁面上。
使用requests來加載一個 web 頁面是非常簡單的：
import requests
response = requests.get('http://pyvideo.org/category/50/pycon-us-2014')
就是它！在這個函數(shù)返回后就能從response.text中獲得這個頁面的 HTML 。
下一個任務(wù)是抽取每一個單獨視頻頁面的鏈接。通過 BeautifulSoup 使用 CSS 選擇器語法就能完成它，如果你是客戶端開發(fā)者的話你可能對這會很熟悉。
為了獲得這些鏈接，我們要使用一個選擇器，它能抓取在每一個 id 為video-summary-data的<div>中所有的<a>元素。由于每個視頻都有幾個<a>元素，我們將只保留那些 URL 以/video開頭的<a>元素，這些就是唯一的單獨視頻頁面。實現(xiàn)上述標(biāo)準(zhǔn)的 CSS 選擇器是div.video-summary-data a[href^=/video]。下面的代碼片段通過 BeautifulSoup 使用這個選擇器來獲得指向視頻頁面的<a>元素：
import bs4
soup = bs4.BeautifulSoup(response.text)
links = soup.select('div.video-summary-data a[href^=/video]')
因為我們真正關(guān)心的是這個鏈接本身而不是包含它的<a>元素，我們可以使用列表解析來改善上述代碼。
links = [a.attrs.get('href') for a in soup.select('div.video-summary-data a[href^=/video]')]
現(xiàn)在，我們已經(jīng)有了一個包含所有鏈接的數(shù)組，這些鏈接指向了每個單獨頁面。
下面這段腳本整理了目前我們提到的所有技術(shù)：
import requests
import bs4
root_url = 'http://pyvideo.org'
index_url = root_url + '/category/50/pycon-us-2014'
def get_video_page_urls():
response = requests.get(index_url)
soup = bs4.BeautifulSoup(response.text)
return [a.attrs.get('href') for a in soup.select('div.video-summary-data a[href^=/video]')]
print(get_video_page_urls())
如果你運行上面這段腳本你將會獲得一個滿是 URL 的數(shù)組?，F(xiàn)在我們需要去解析每個 URL 以獲得更多關(guān)于每場 PyCon 會議的信息。
3.2抓取相連頁面
下一步是加載我們的 URL 數(shù)組中每一個頁面。如果你想要看看這些頁面長什么樣的話，這兒是個樣例：http://pyvideo.org/video/2668/writing-restful-web-services-with-flask。沒錯，那就是我，那是我會議中的一個！
從這些頁面我們可以抓取到會議的標(biāo)題，在頁面的頂部能看到它。我們也可以從側(cè)邊欄獲得演講者的姓名和 YouTube 的鏈接，側(cè)邊欄在嵌入視頻的右下方。獲取這些元素的代碼展示在下方：
def get_video_data(video_page_url):
video_data = {}
response = requests.get(root_url + video_page_url)
soup = bs4.BeautifulSoup(response.text)
video_data['title'] = soup.select('div#videobox h3')[0].get_text()
video_data['speakers'] = [a.get_text() for a in soup.select('div#sidebar a[href^=/speaker]')]
video_data['youtube_url'] = soup.select('div#sidebar a[href^=http://www.youtube.com]')[0].get_text()
關(guān)于這個函數(shù)需要注意的一些事情：
從首頁抓取的 URL 是相對路徑，所以root_url需要加到前面。
大會標(biāo)題是從 id 為videobox的<div>里的<h3>元素中獲得的。注意[0]是必須的，因為調(diào)用select()返回的是一個數(shù)組，即使只有一個匹配。
演講者的姓名和 YouTube 鏈接的獲取方式與首頁上的鏈接獲取方式類似。
現(xiàn)在就剩下從每個視頻的 YouTube 頁面抓取觀看數(shù)了。接著上面的函數(shù)寫下去其實是非常簡單的。同樣，我們也可以抓取 like 數(shù)和 dislike 數(shù)。
def get_video_data(video_page_url):
# ...
response = requests.get(video_data['youtube_url'])
soup = bs4.BeautifulSoup(response.text)
video_data['views'] = int(re.sub('[^0-9]', '',
soup.select('.watch-view-count')[0].get_text().split()[0]))
video_data['likes'] = int(re.sub('[^0-9]', '',
soup.select('.likes-count')[0].get_text().split()[0]))
video_data['dislikes'] = int(re.sub('[^0-9]', '',
soup.select('.dislikes-count')[0].get_text().split()[0]))
return video_data
上述調(diào)用soup.select()函數(shù)，使用指定了 id 名字的選擇器，采集到了視頻的統(tǒng)計數(shù)據(jù)。但是元素的文本需要被處理一下才能變成數(shù)字?？紤]觀看數(shù)的例子，在 YouTube 上顯示的是"1,344 views"。用一個空格分開（split）數(shù)字和文本后，只有第一部分是有用的。由于數(shù)字里有逗號，可以用正則表達式過濾掉任何不是數(shù)字的字符。
為了完成爬蟲，下面的函數(shù)調(diào)用了之前提到的所有代碼：
def show_video_stats():
video_page_urls = get_video_page_urls()
for video_page_url in video_page_urls:
print get_video_data(video_page_url)
3.3并行處理
上面到目前為止的腳本工作地很好，但是有一百多個視頻它就要跑個一會兒了。事實上我們沒做什么工作，大部分時間都浪費在了下載頁面上，在這段時間腳本時被阻塞的。如果腳本能同時跑多個下載任務(wù)，可能就會更高效了，是嗎？
回顧當(dāng)時寫一篇使用 Node.js 的爬蟲文章的時候，并發(fā)性是伴隨 JavaScript 的異步特性自帶來的。使用 Python 也能做到，不過需要顯示地指定一下。像這個例子，我將開啟一個擁有8個可并行化進程的進程池。代碼出人意料的簡潔：
from multiprocessing import Pool def show_video_stats(options): pool = Pool(8) video_page_urls = get_video_page_urls() results = pool.map(get_video_data, video_page_urls)
multiprocessing.Pool 類開啟了8個工作進程等待分配任務(wù)運行。為什么是8個？這是我電腦上核數(shù)的兩倍。當(dāng)時實驗不同大小的進程池時，我發(fā)現(xiàn)這是最佳的大小。小于8個使腳本跑的太慢，多于8個也不會讓它更快。
調(diào)用pool.map()類似于調(diào)用常規(guī)的map()，它將會對第二個參數(shù)指定的迭代變量中的每個元素調(diào)用一次第一個參數(shù)指定的函數(shù)。最大的不同是，它將發(fā)送這些給進程池所擁有的進程運行，所以在這個例子中八個任務(wù)將會并行運行。
節(jié)省下來的時間是相當(dāng)大的。在我的電腦上，第一個版本的腳本用了75秒完成，然而進程池的版本做了同樣的工作只用了16秒！
3.4完成爬蟲腳本
我最終版本的爬蟲腳本在獲得數(shù)據(jù)后還做了更多的事情。
我添加了一個--sort命令行參數(shù)去指定一個排序標(biāo)準(zhǔn)，可以指定views，likes或者dislikes。腳本將會根據(jù)指定屬性對結(jié)果數(shù)組進行遞減排序。另一個參數(shù)，--max代表了要顯示的結(jié)果數(shù)的個數(shù)，萬一你只想看排名靠前的幾條而已。最后，我還添加了一個--csv選項，為了可以輕松地將數(shù)據(jù)導(dǎo)到電子制表軟件中，可以指定數(shù)據(jù)以 CSV 格式打印出來，而不是表對齊格式。
完整腳本顯示在下方：
import argparse
import re
from multiprocessing import Pool
import requests
import bs4
root_url = 'http://pyvideo.org'
index_url = root_url + '/category/50/pycon-us-2014'
def get_video_page_urls():
response = requests.get(index_url)
soup = bs4.BeautifulSoup(response.text)
return [a.attrs.get('href') for a in soup.select('div.video-summary-data a[href^=/video]')]
def get_video_data(video_page_url):
video_data = {}
response = requests.get(root_url + video_page_url)
soup = bs4.BeautifulSoup(response.text)
video_data['title'] = soup.select('div#videobox h3')[0].get_text()
video_data['speakers'] = [a.get_text() for a in soup.select('div#sidebar a[href^=/speaker]')]
video_data['youtube_url'] = soup.select('div#sidebar a[href^=http://www.youtube.com]')[0].get_text()
response = requests.get(video_data['youtube_url'])
soup = bs4.BeautifulSoup(response.text)
video_data['views'] = int(re.sub('[^0-9]', '',
soup.select('.watch-view-count')[0].get_text().split()[0]))
video_data['likes'] = int(re.sub('[^0-9]', '',
soup.select('.likes-count')[0].get_text().split()[0]))
video_data['dislikes'] = int(re.sub('[^0-9]', '',
soup.select('.dislikes-count')[0].get_text().split()[0]))
return video_data
def parse_args():
parser = argparse.ArgumentParser(description='Show PyCon 2014 video statistics.')
parser.add_argument('--sort', metavar='FIELD', choices=['views', 'likes', 'dislikes'],
default='views',
help='sort by the specified field. Options are views, likes and dislikes.')
parser.add_argument('--max', metavar='MAX', type=int, help='show the top MAX entries only.')
parser.add_argument('--csv', action='store_true', default=False,
help='output the data in CSV format.')
parser.add_argument('--workers', type=int, default=8,
help='number of workers to use, 8 by default.')
return parser.parse_args()
def show_video_stats(options):
pool = Pool(options.workers)
video_page_urls = get_video_page_urls()
results = sorted(pool.map(get_video_data, video_page_urls), key=lambda video: video[options.sort],
reverse=True)
max = options.max
if max is None or max > len(results):
max = len(results)
if options.csv:
print(u'"title","speakers", "views","likes","dislikes"')
else:
print(u'Views +1 -1 Title (Speakers)')
for i in range(max):
if options.csv:
print(u'"{0}","{1}",{2},{3},{4}'.format(
results[i]['title'], ', '.join(results[i]['speakers']), results[i]['views'],
results[i]['likes'], results[i]['dislikes']))
else:
print(u'{0:5d} {1:3d} {2:3d} {3} ({4})'.format(
results[i]['views'], results[i]['likes'], results[i]['dislikes'], results[i]['title'],
', '.join(results[i]['speakers'])))
if __name__ == '__main__':
show_video_stats(parse_args())
下方輸出的是在我寫完代碼時前25個觀看數(shù)最多的會議：
(venv) $ python pycon-scraper.py --sort views --max 25 --workers 8 Views +1 -1 Title (Speakers) 3002 27 0 Keynote - Guido Van Rossum (Guido Van Rossum) 2564 21 0 Computer science fundamentals for self-taught programmers (Justin Abrahms) 2369 17 0 Ansible - Python-Powered Radically Simple IT Automation (Michael Dehaan) 2165 27 6 Analyzing Rap Lyrics with Python (Julie Lavoie) 2158 24 3 Exploring Machine Learning with Scikit-learn (Jake Vanderplas, Olivier Grisel) 2065 13 0 Fast Python, Slow Python (Alex Gaynor) 2024 24 0 Getting Started with Django, a crash course (Kenneth Love) 1986 47 0 It's Dangerous to Go Alone: Battling the Invisible Monsters in Tech (Julie Pagano) 1843 24 0 Discovering Python (David Beazley) 1672 22 0 All Your Ducks In A Row: Data Structures in the Standard Library and Beyond (Brandon Rhodes) 1558 17 1 Keynote - Fernando Pérez (Fernando Pérez) 1449 6 0 Descriptors and Metaclasses - Understanding and Using Python's More Advanced Features (Mike Müller) 1402 12 0 Flask by Example (Miguel Grinberg) 1342 6 0 Python Epiphanies (Stuart Williams) 1219 5 0 0 to 00111100 with web2py (G. Clifford Williams) 1169 18 0 Cheap Helicopters In My Living Room (Ned Jackson Lovely) 1146 11 0 IPython in depth: high productivity interactive and parallel python (Fernando Perez) 1127 5 0 2D/3D graphics with Python on mobile platforms (Niko Skrypnik) 1081 8 0 Generators: The Final Frontier (David Beazley) 1067 12 0 Designing Poetic APIs (Erik Rose) 1064 6 0 Keynote - John Perry Barlow (John Perry Barlow) 1029 10 0 What Is Async, How Does It Work, And When Should I Use It? (A. Jesse Jiryu Davis) 981 11 0 The Sorry State of SSL (Hynek Schlawack) 961 12 2 Farewell and Welcome Home: Python in Two Genders (Naomi Ceder) 958 6 0 Getting Started Testing (Ned Batchelder)
相關(guān)文章
Python實現(xiàn)RLE格式與PNG格式互轉(zhuǎn)
在機器視覺領(lǐng)域的深度學(xué)習(xí)中，很多數(shù)據(jù)集的標(biāo)注文件使用RLE的格式。但是神經(jīng)網(wǎng)絡(luò)的輸入一定是一張圖片，為此必須把RLE格式的文件轉(zhuǎn)變?yōu)閳D像格式。本文將利用Python實現(xiàn)RLE格式與PNG格式互轉(zhuǎn)，感興趣的可以了解一下2022-08-08
random模塊提供生成偽隨機數(shù)的函數(shù)，在使用時需要導(dǎo)入random模塊，這篇文章主要介紹了Python中的random函數(shù),本文通過實例代碼給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-02-02
Python機器學(xué)習(xí)庫之Scikit-learn基本用法詳解
Scikit-learn?是?Python?中最著名的機器學(xué)習(xí)庫之一，它提供了大量實用的機器學(xué)習(xí)算法以及相關(guān)的工具，可以方便我們進行數(shù)據(jù)挖掘和數(shù)據(jù)分析，在這篇文章中，我們將介紹?Scikit-learn?的基本使用，包括如何導(dǎo)入數(shù)據(jù)、預(yù)處理數(shù)據(jù)、選擇和訓(xùn)練模型，以及評估模型的性能2023-07-07
PyTorch與PyTorch?Geometric的安裝過程
這篇文章主要介紹了PyTorch與PyTorch?Geometric的安裝,本文給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-04-04
利用python、tensorflow、opencv、pyqt5實現(xiàn)人臉實時簽到系統(tǒng)
這篇文章主要介紹了利用python、tensorflow、opencv、pyqt5實現(xiàn)人臉實時簽到系統(tǒng)，本文給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2019-09-09
利用Python制作動態(tài)排名圖的實現(xiàn)代碼
這篇文章主要介紹了利用Python制作動態(tài)排名圖的實現(xiàn)代碼，本文通過實例代碼給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-04-04
本文主要介紹了在Python2.x中的編碼問題，非常的坑爹，不過如果用python3，坑爹的編碼問題就不煩惱了。2014-09-09
Django+Nginx+uWSGI 定時任務(wù)的實現(xiàn)方法
本文主要介紹了Django+Nginx+uWSGI 定時任務(wù)的實現(xiàn)方法，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-01-01
Python利用pywin32庫實現(xiàn)將PPT導(dǎo)出為高清圖片
這篇文章主要為大家詳細介紹了Python如何利用pywin32庫實現(xiàn)將PPT導(dǎo)出為高清圖片的功能，文中的示例代講解詳細，感興趣的小伙伴可以了解一下2023-01-01
Python實現(xiàn)破解網(wǎng)站登錄密碼(帶token驗證)
這篇文章主要為大家介紹一個Python暴力破解網(wǎng)站登錄密碼腳本(帶token驗證)，文中的過程講解詳細，對我們學(xué)習(xí)Python有一定的幫助，感興趣的可以學(xué)習(xí)一下2022-02-02