iOS程序員如何使用python寫網(wǎng)路爬蟲
我上一篇blog說過,iOS開發(fā)如果之前沒接觸過除了c和c++(c++太難了,不花個(gè)十來年基本不可能精通)的語言,第二門語言***的選擇就是python.
原因就是
1.語法簡單
2.庫太多,隨便想要什么功能的庫都找得到,簡直編程界的哆啦A夢.
3.語法優(yōu)美,不信?你去看看python超過兩千行的代碼再回頭看看用oc寫的超過兩千行的代碼,oc寫的簡直丑到***(沒命名空間,點(diǎn)語法調(diào)用和括號調(diào)用混用).
為什么要會寫爬蟲?
春節(jié)前有一件活無人認(rèn)領(lǐng),我就自告奮勇認(rèn)領(lǐng)了,具體如下:
自己寫程序在豆瓣讀書上抓取人
熊節(jié)覺得一個(gè)好的程序員應(yīng)該讀過那20本好書 ——《重構(gòu)》《精益創(chuàng)業(yè)》《敏捷軟件開發(fā)》《測試驅(qū)動(dòng)開發(fā)》等等。他在為ThoughtWorks組建成都分公司團(tuán)隊(duì)的時(shí)候，發(fā)愁正統(tǒng)招聘方法太慢了。于是，他花了幾個(gè)晚上用自己高中自學(xué)的水貨代碼水平寫了一個(gè)程序，去抓取豆瓣上讀過這些技術(shù)書籍的人。然后不斷遞歸，再抓到這些人都讀過其它什么書，再繼續(xù)抓讀過那些書的人。抓了幾萬人之后，他再用Hadoop來分析，篩選出了幾十個(gè)技術(shù)大牛。
他把這些大牛的豆瓣賬號扔給了公司女HR，讓HR去一個(gè)個(gè)發(fā)豆郵勾搭。
春節(jié)期間斷斷續(xù)續(xù)邊看邊學(xué)寫了個(gè)爬豆瓣上優(yōu)秀iOS開發(fā)人員的爬蟲.所以感覺iOS開發(fā)人員有必要掌握這項(xiàng)技術(shù).
再舉個(gè)例子,你如果想自己弄個(gè)app,例如每日精選美女之類的app,你服務(wù)端總得有圖吧,怎么弄?自己用爬蟲爬啊,爬到鏈接了塞到數(shù)據(jù)庫里,傳個(gè)json,app直接sdwebimage就好了.多爽!
廢話不多說.開始寫.
我先假設(shè)你用的是mac,然后mac都預(yù)裝了python2.x,然后呢,你有了python沒用,你得有庫.沒庫怎么干活?怎么安裝庫呢?python界也有個(gè)類似于我們iOS開發(fā)里cocoapods的東西,這個(gè)東西叫做pip.
pip和cocoapods用起來的命令都極其類似,我們只需要兩個(gè)庫,一個(gè)叫做urllib2,一個(gè)叫做beautifulsoup.
urllib2是干什么的呢?它的作用就是把網(wǎng)頁down下來,然后你就可以分析網(wǎng)頁了.
beautifulsoup干什么的呢?你用urllib2把網(wǎng)頁down下來了之后,里面都是html+css什么的,你想要從亂七八糟的一堆html里面找到正確的圖片鏈接那可不是件簡單的事,據(jù)我這幾天的學(xué)習(xí),做法無非兩個(gè),一個(gè)是自己寫正則表達(dá)式然后用一個(gè)叫re的python庫,另一個(gè)是使用lxml解析xpath.這兩個(gè)說實(shí)話都不太好用,一個(gè)正則就夠你吃一壺的.后來我搜索了很久,發(fā)現(xiàn)了一個(gè)庫叫做beautifulsoup,用這個(gè)庫解析html超級好用.
然后你們打開terminal敲入下面這個(gè)命令.
1
pip install BeautifulSoup
然后就會自動(dòng)幫你安裝BeautifulSoup這個(gè)東西了.urllib2因?yàn)槭亲詭У?所以不用你下載了.
好的我們打www.dbmeizi.com,這個(gè)邪惡的網(wǎng)站,首頁都是軟妹子.直接右鍵打開源文件.
你看到的是這些東西.
看上去和亂碼沒什么區(qū)別,但是我們需要仔細(xì)觀察.終于找到了圖片的鏈接.
圖片鏈接就在li這個(gè)標(biāo)簽下地img標(biāo)簽里.現(xiàn)在我們需要做的就是嘗試著把這種類型的li從所有html中分離出來.我們可以看到li這個(gè)標(biāo)簽有個(gè)屬性叫做class,這個(gè)屬性的值是class="span3",我們把這段話li class="span3"
搜索一下,我們發(fā)現(xiàn)有20個(gè)結(jié)果.恰巧,我們這個(gè)頁面的圖片也只有20個(gè),那么可以確定的是我們找到了區(qū)別于其他標(biāo)簽的唯一性.
再仔細(xì)分析下,img這個(gè)標(biāo)簽在li這個(gè)標(biāo)簽里有且只有一個(gè).那么,也就是說,我們先搜索出所有符合條件的li標(biāo)簽,然后找到里面的img標(biāo)簽就可以找到所有的圖片鏈接了.
然后看代碼.
- #!/usr/bin/python
- #-*- coding: utf-8 -*-
- #encoding=utf-8
- import urllib2
- import urllib
- import os
- from BeautifulSoup import BeautifulSoup
- def getAllImageLink():
- html = urllib2.urlopen('http://www.dbmeizi.com').read()
- soup = BeautifulSoup(html)
- liResult = soup.findAll('li',attrs={"class":"span3"})
- for li in liResult:
- imageEntityArray = li.findAll('img')
- for image in imageEntityArray:
- link = image.get('data-src')
- imageName = image.get('data-id')
- filesavepath = '/Users/weihua0618/Desktop/meizipicture/%s.jpg' % imageName
- urllib.urlretrieve(link,filesavepath)
- print filesavepath
- if __name__ == '__main__':
- getAllImageLink()
我們來一句一句分析下.其實(shí)python的語法超級簡單.
凡是#打頭的就是python里面的注釋語句類似于oc里的//.
分別說明我們的環(huán)境是python,編碼是utf-8
然后import了四個(gè)庫,分別是urllib2,urllib,os,和beautifulsoup庫.
導(dǎo)入beautifulsoup庫的方式和其他三個(gè)不太一樣.我暫時(shí)也不清楚為什么python用這種導(dǎo)入方式,不過照貓畫虎就行了.
然后def打頭的就是定義一個(gè)函數(shù),python里面是不用分號做句與句的分隔符的.他用縮進(jìn)來表示.與def縮進(jìn)一個(gè)tab的都是函數(shù)體.
1
html = urllib2.urlopen('http://www.dbmeizi.com').read()
這句很簡單,就是讀取網(wǎng)頁的html.然后把值賦給html這個(gè)變量.python里聲明變量前面不用加任何東西,不用加聲明語句和變量類型,就連javascript聲明變量還要加個(gè)var呢.
我們獲取了網(wǎng)頁的html之后呢,聲明了一個(gè)beautifulsoup變量soup,用來準(zhǔn)備解析html.
1
liResult = soup.findAll('li',attrs={"class":"span3"})
這句話的意思就是,尋找html中所有l(wèi)i標(biāo)簽,并且這個(gè)li標(biāo)簽有個(gè)屬性class,class的值是span3.
注意這個(gè)findAll函數(shù),有點(diǎn)常識的話你應(yīng)該清楚,凡是帶all的函數(shù)基本上返回的都是一個(gè)數(shù)組,所以我們liResult這個(gè)變量實(shí)際上是一個(gè)數(shù)組.
for li in liResult:
這句話基本和oc里的遍歷數(shù)組語法完全一樣.就是遍歷liResult里的每一個(gè)變量.那么每一個(gè)變量就是一個(gè)\
標(biāo)簽.
imageEntityArray = li.findAll('img')
獲得了li標(biāo)簽,我們再找出所有的img標(biāo)簽.
一樣的道理,遍歷所有img標(biāo)簽(實(shí)際上只有一個(gè)).
link = image.get('data-src')
imageName = image.get('data-id')
這兩句的意思就是,獲取img標(biāo)簽里的'data-src'屬性和'data-id'屬性,data-src就是我們最想要的圖片鏈接了.data-id我們會用來當(dāng)做下載圖片之后的名字.
filesavepath = '/Users/weihua0618/Desktop/meizipicture/%s.jpg' % imageName
urllib.urlretrieve(link,filesavepath)
這兩句,***句是設(shè)置一個(gè)文件存放地址,第二句用urllib這個(gè)庫的urlretrieve這個(gè)方法下載我們的圖片,并且把圖片放到剛才的路徑里.
好了,我們的圖片就下載完了.
說說我是怎么爬蟲所有豆瓣iOS開發(fā)的,我先找到所有標(biāo)簽為ios開發(fā)的書籍,然后把所有書的id抓到,然后用id找到所有閱讀過書的用戶id,把所有用戶id抓下來之后用hadoop分析,哪些用戶id讀過的書最多,列出前一百個(gè).然后,你們懂得...(昨天我的ip還是mac地址已經(jīng)被豆瓣封了)
我感覺,我可以在簡歷上鄭重的寫下"精通python和大數(shù)據(jù)分析" -_-!
