基于Python的網(wǎng)絡(luò)信息自動(dòng)抓取系統(tǒng)畢業(yè)論文

基于Python的網(wǎng)絡(luò)信息自動(dòng)抓取系統(tǒng)摘要隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展和5G技術(shù)的投入建設(shè)，信息在社會(huì)發(fā)展中起著至關(guān)重要的作用，具備著前所未有的價(jià)值。人們想要掌握最新的信息和了解社會(huì)的發(fā)展趨勢(shì)，就要不斷遞增花在閱讀網(wǎng)絡(luò)信息的時(shí)間。怎么從浩瀚的信息海洋中迅速有效地提取所需信息已經(jīng)越來(lái)越重要。搜索引擎也隨著我們的需求而誕生和發(fā)展，它以爬蟲(chóng)技術(shù)為核心。為提高用戶訪問(wèn)網(wǎng)頁(yè)信息的效率，本設(shè)計(jì)基于Python的Scrapy爬蟲(chóng)框架和MySQL后臺(tái)數(shù)據(jù)庫(kù)，以“百度新聞”為爬取對(duì)象，實(shí)現(xiàn)定時(shí)自動(dòng)抓取指定范圍的網(wǎng)頁(yè)信息并存儲(chǔ)到后臺(tái)數(shù)據(jù)庫(kù)中，并使用hashlib模塊過(guò)濾重復(fù)數(shù)據(jù)。關(guān)鍵詞：爬蟲(chóng)技術(shù)Scrapy爬蟲(chóng)框架MySQL數(shù)據(jù)庫(kù)定時(shí)自動(dòng)AutomaticnetworkinformationgrabbingsystembasedonPythonName:DiaoYangjianMajor:ElectronicInformationScienceandtechnologyInstructor:WanChanglin,AssistantResearcher(ElectronicInformationandElectricalEngineeringDepartmentofHuizhouUniversity,No.46,YandaAvenue,HuizhouCity,GuangdongProvince,516007)AbstractWiththerapiddevelopmentofmobileInternetandtheinvestmentof5gtechnology,informationplaysanimportantroleinthesocialdevelopmentandhasunprecedentedvalue.Ifpeoplewanttomasterthelatestinformationandunderstandthedevelopmenttrendofsociety,theyneedtospendmoreandmoretimereadingnetworkinformation.Howtoextracttheneededinformationfromthevastoceanofinformationquicklyandeffectivelyhasbecomemoreandmoreimportant.Searchengineisalsobornanddevelopedwithourneeds.Ittakescrawlertechnologyasthecore.Inordertoimprovetheefficiencyofusers'accesstowebinformation,thisdesignisbasedonPython'sscrapycrawlerframeworkandMySQLbackgrounddatabase,taking"Baidunews"asthecrawlingobject,torealizetheautomaticcrawlingofthespecifiedrangeofWebinformationandstorageinthebackgrounddatabase,andusehashlibmoduletofiltertheduplicatedata.Keywords:crawlertechnologyscrapycrawlerframeworkMySQLdatabasetimedautocrawl

目錄TOC\o"1-3"\h\u308471前言 前言1.1研究背景如今已經(jīng)是2020年，隨著移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展和5G技術(shù)的投入建設(shè)，移動(dòng)互聯(lián)網(wǎng)越來(lái)越普及，社會(huì)生活的基本方式正在悄無(wú)聲息的發(fā)生變化。當(dāng)今時(shí)代，互聯(lián)網(wǎng)越來(lái)越貼近人們的生活，已經(jīng)成為生活的必需品。人們的衣食住行都與互聯(lián)網(wǎng)息息相關(guān)，不可分離。許多行業(yè)都深受互聯(lián)網(wǎng)的影響，即使是歷史悠久的傳統(tǒng)行業(yè)。在這個(gè)時(shí)代，信息就是金錢(qián)，具備著前所未有的價(jià)值，已經(jīng)成為社會(huì)發(fā)展不可或缺的一部分。為了讓自己做出正確的判斷，我們要掌握最新的信息和了解社會(huì)的發(fā)展趨勢(shì)，造成人們花在閱讀網(wǎng)絡(luò)信息的時(shí)間不斷遞增?；ヂ?lián)網(wǎng)是一個(gè)浩瀚的信息海洋，是大量信息的載體，怎么從海洋中迅速有效地提取所需信息是非常困難的，無(wú)異于大海撈針，更何況想要利用這些信息了。與此同時(shí)，搜索引擎也隨著我們的需求而誕生和發(fā)展。1.2研究意義搜索引擎可以當(dāng)成是一個(gè)入口或者指南。它可以幫助人們從互聯(lián)網(wǎng)中搜索信息，是人們獲取互聯(lián)網(wǎng)資源的重要途徑，給人們帶來(lái)了便利。但是，局限性是通用性搜索引擎的最大缺點(diǎn)。例如，通用搜索引擎是通過(guò)關(guān)鍵字來(lái)搜索的，然后返回大量的數(shù)據(jù)信息給用戶，但是在這些信息中，并不都是用戶所關(guān)心和需要的數(shù)據(jù)信息，里面還有許多是用戶并不關(guān)心的數(shù)據(jù)信息。聚焦爬蟲(chóng)具有高度的可自定義性，可以幫助我們迅速有效的提取需要的信息。它按照程序設(shè)計(jì)者所設(shè)定的規(guī)則，有選擇的訪問(wèn)互聯(lián)網(wǎng)上的網(wǎng)頁(yè)，或者是與之相關(guān)的鏈接。Scrapy爬蟲(chóng)框架可以讓聚焦爬蟲(chóng)的設(shè)計(jì)和工作變得更加方便。1.3研究?jī)?nèi)容本設(shè)計(jì)主要研究的內(nèi)容如下：獲取數(shù)據(jù)：使用Scrapy框架對(duì)百度新聞網(wǎng)站首頁(yè)進(jìn)行訪問(wèn)，獲取各欄目的新聞數(shù)據(jù)信息。數(shù)據(jù)存儲(chǔ)：將各欄目的新聞數(shù)據(jù)信息存儲(chǔ)到MySQL后臺(tái)數(shù)據(jù)庫(kù)中。進(jìn)行數(shù)據(jù)的過(guò)濾去重：使用Python編程語(yǔ)言的hashlib庫(kù)的MD5算法，對(duì)獲取的新聞網(wǎng)頁(yè)URL進(jìn)行加密處理，得到唯一的32位的十六進(jìn)制字符串值，從而達(dá)到數(shù)據(jù)過(guò)濾去重的效果。定時(shí)爬取，更新數(shù)據(jù)庫(kù)：使用Python編程語(yǔ)言的Time模塊，對(duì)爬蟲(chóng)進(jìn)程設(shè)置定時(shí)循環(huán)，從而不斷更新數(shù)據(jù)庫(kù)的數(shù)據(jù)。

2設(shè)計(jì)原理以及相關(guān)技術(shù)介紹網(wǎng)絡(luò)爬蟲(chóng)是一段程序或者腳本。首先，分析百度新聞網(wǎng)站首頁(yè)的HTML代碼的規(guī)律，從而獲取初始的URL。其次，爬取初始的URL的內(nèi)容并分析HTML代碼規(guī)律，從而獲取百度新聞網(wǎng)站首頁(yè)的所有新聞網(wǎng)頁(yè)鏈接。然后，爬蟲(chóng)先訪問(wèn)獲得的新聞網(wǎng)頁(yè)鏈接。若能夠訪問(wèn)則自動(dòng)下載其中的內(nèi)容，再通過(guò)解析模塊，解析得到已爬取頁(yè)面中我們所需要的信息。接著，將所爬取到的信息存儲(chǔ)到MySQL后臺(tái)數(shù)據(jù)庫(kù)中，方便我們查詢信息和統(tǒng)計(jì)。最后，設(shè)置定時(shí)爬取，可以不斷的更新數(shù)據(jù)庫(kù)的數(shù)據(jù)。2.1Scrapy爬蟲(chóng)框架2.1.1Scrapy分析Scrapy是一套比較成熟的web爬蟲(chóng)框架。它可以用來(lái)爬取web數(shù)據(jù),也可以用來(lái)提取結(jié)構(gòu)性的數(shù)據(jù)。它讓網(wǎng)絡(luò)爬蟲(chóng)的設(shè)計(jì)和工作變得更加方便。它的應(yīng)用范圍非常廣泛，例如，可以對(duì)大數(shù)據(jù)進(jìn)行深度挖掘，也可以對(duì)大批的信息進(jìn)行處理，還可以對(duì)歷史數(shù)據(jù)進(jìn)行存儲(chǔ)等。Scrapy具備很強(qiáng)的拓展性，可以靈活的完成許多需求。Scrapy整體框架由7個(gè)部分組成：（1）ScrapyEngine(引擎)：引擎負(fù)責(zé)控制整個(gè)數(shù)據(jù)處理過(guò)程，以及觸發(fā)一些事務(wù)處理，控制和協(xié)調(diào)各個(gè)組件。（2）Scheduler(調(diào)度器)：主要負(fù)責(zé)存儲(chǔ)待爬取的網(wǎng)址，并確定這些網(wǎng)址的優(yōu)先級(jí)，決定下一次爬取哪個(gè)網(wǎng)址等。（3）Downloader（下載器）：實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)上要爬取的網(wǎng)頁(yè)資源進(jìn)行高速下載。（4）Spider（爬蟲(chóng)）：該組件是核心。它負(fù)責(zé)接收引擎中的response響應(yīng)，然后對(duì)響應(yīng)進(jìn)行分析處理，提取出關(guān)注的數(shù)據(jù)。（5）ItemPipeline(項(xiàng)目管道)：負(fù)責(zé)接收提取的item，然后對(duì)這些item進(jìn)行對(duì)應(yīng)的處理。（6）DownloaderMiddlewares（下載中間件）：處于下載器和引擎之間，主要用于對(duì)下載器和引擎之間的通信進(jìn)行處理。（7）SpiderMiddlewares（爬蟲(chóng)中間件）：處于引擎與爬蟲(chóng)組件之間，主要用于對(duì)爬蟲(chóng)組件和引擎之間的通信進(jìn)行處理。Scrapy基本運(yùn)行流程：首先，需要確定要爬取的目標(biāo)，所以引擎先從調(diào)度器中選擇一個(gè)URL。引擎收到URL后，將其打包成一個(gè)請(qǐng)求，然后傳給下載器。下載器把資源下載下來(lái)，將資源打包成應(yīng)答包。爬蟲(chóng)接收應(yīng)答包，再解析它，并使用回調(diào)函數(shù)。如果從該應(yīng)答包中解析出實(shí)體，再交給項(xiàng)目管道，然后才進(jìn)行進(jìn)一步的處理。如果解析出的結(jié)果是URL，則將新獲得的URL發(fā)送給調(diào)度器等待被調(diào)用抓取。2.2Robots協(xié)議2.2.1Robots協(xié)議簡(jiǎn)介Robots協(xié)議也稱(chēng)為爬蟲(chóng)協(xié)議。它存放于網(wǎng)站根目錄下，是一個(gè)ASCII編碼的純文本文件。它是互聯(lián)網(wǎng)行業(yè)中約定俗稱(chēng)的一種準(zhǔn)入規(guī)范，其目的在于告知所有的搜索引擎，在此網(wǎng)站中，哪部分內(nèi)容是允許被獲取的，哪部分內(nèi)容是不允許被獲取的。爬蟲(chóng)在進(jìn)入網(wǎng)站之前，首先要查看robots.txt。如果該文本文件存在，則解析其中的規(guī)則，然后再確定訪問(wèn)的范圍。如果該文本文件不存在，則說(shuō)明該網(wǎng)頁(yè)的所有數(shù)據(jù)都可訪問(wèn)。2.2.2協(xié)議的寫(xiě)法robots.txt放到網(wǎng)站根目錄下即可，一個(gè)robots.txt只能控制相同端口，相同站點(diǎn)的網(wǎng)頁(yè)抓取策略。常規(guī)寫(xiě)法如下：（1）User-agent：聲明哪些爬蟲(chóng)不允許訪問(wèn)此網(wǎng)站。（2）Disallow：聲明了哪些URL是禁止訪問(wèn)的，不允許任何爬蟲(chóng)進(jìn)入。2.2.3Robots協(xié)議的缺點(diǎn)及影響各網(wǎng)站設(shè)置了Robots協(xié)議以防止\t"/item/robots%E5%8D%8F%E8%AE%AE/_blank"搜索引擎機(jī)器人抓取敏感信息。但是它只是一個(gè)通告，需要搜索引擎機(jī)器人的配合，才可以使得\t"/item/robots%E5%8D%8F%E8%AE%AE/_blank"搜索引擎機(jī)器人受到限制，不允許抓取站點(diǎn)的內(nèi)容。但是，在實(shí)際情況中并不是每個(gè)ROBOTS都會(huì)自覺(jué)遵守的。若網(wǎng)絡(luò)爬蟲(chóng)的設(shè)計(jì)者違背這個(gè)協(xié)議，偽裝成其他身份進(jìn)入，其設(shè)計(jì)的代碼也將能夠自由爬取站點(diǎn)中的資源。2.3正則表達(dá)式2.3.1簡(jiǎn)介正則表達(dá)式是一套規(guī)則，用于描述字符串排列。對(duì)于某些特定字符，或者是這些特定字符的組合，它可以預(yù)先定義好，形成一個(gè)“字符串”。它表示的是字符串的一種過(guò)濾邏輯，可用來(lái)檢查，判斷某個(gè)種子字符串是否存在于該字符串中，若存在，替換匹配的子字符串；它也可以應(yīng)用在從某個(gè)字符串中取出滿足某個(gè)條件的子字符串等。正則表達(dá)式能夠很容易地提取到我們需要的信息。2.3.2應(yīng)用場(chǎng)景（1）驗(yàn)證：表單提交時(shí)，進(jìn)行用戶名密碼的驗(yàn)證。（2）查找：從大量信息中快速提取指定內(nèi)容，在一批url中，查找指定url。（3）替換：先對(duì)特定格式的文本進(jìn)行搜索，然后再進(jìn)行匹配，成功后再進(jìn)行特定的替換。2.3.3貪婪模式與懶惰模式（1）貪婪模式：re庫(kù)默認(rèn)采用貪婪模式，即正則表達(dá)式在匹配時(shí)，會(huì)盡量多的匹配符合條件的內(nèi)容，輸出匹配最長(zhǎng)的子串。（2）懶惰模式：在正則表達(dá)式在匹配時(shí)，會(huì)盡量少的匹配內(nèi)容。模式切換的方式：通過(guò)在“*”或者“+”限定符之后放置“?”。2.4XPath表達(dá)式2.4.1簡(jiǎn)介XPath是一種XML路徑語(yǔ)言。它是一種定位和處理可擴(kuò)展標(biāo)記語(yǔ)言XML文檔中項(xiàng)目的方法，主要是通過(guò)使用基于文檔邏輯結(jié)構(gòu)或者層次結(jié)構(gòu)路徑的尋址語(yǔ)法。XPath通常用于提取數(shù)據(jù)，通過(guò)這些數(shù)據(jù)，我們可以在web頁(yè)面中獲得所需的內(nèi)容，其實(shí)xml和html的數(shù)據(jù)可以看成一個(gè)樹(shù)形的結(jié)構(gòu)，每個(gè)樹(shù)有很多樹(shù)枝（樹(shù)枝稱(chēng)為節(jié)點(diǎn))，XPath語(yǔ)法提供了在樹(shù)中查找不同節(jié)點(diǎn)的能力。2.5MySQL數(shù)據(jù)庫(kù)如何處理Scrapy爬蟲(chóng)獲取的數(shù)據(jù)需要認(rèn)真的考慮。Python中有很多種存儲(chǔ)方法，因?yàn)樵诒敬卧O(shè)計(jì)中沒(méi)有涉及到分布式爬蟲(chóng)，所以我選擇的是使用MySQL數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)存儲(chǔ)。2.5.1簡(jiǎn)介數(shù)據(jù)庫(kù)，是一個(gè)存儲(chǔ)大量數(shù)據(jù)的倉(cāng)庫(kù)。為了方便數(shù)據(jù)的存儲(chǔ)和管理，它將數(shù)據(jù)按照特定的規(guī)律將數(shù)據(jù)存儲(chǔ)起來(lái)，用戶可以在數(shù)據(jù)庫(kù)中添加、修改、刪除和查詢數(shù)據(jù)。MySQL數(shù)據(jù)庫(kù)是一種關(guān)系型數(shù)據(jù)庫(kù)管理系統(tǒng)。在關(guān)系型數(shù)據(jù)庫(kù)中，可以將數(shù)據(jù)存儲(chǔ)在不同的表中，而不是將所有數(shù)據(jù)都存儲(chǔ)在一個(gè)大型倉(cāng)庫(kù)里，這樣可以提高速度和靈活性。2.5.2MySQL數(shù)據(jù)庫(kù)的特點(diǎn)MySQL數(shù)據(jù)庫(kù)是不收費(fèi)的，人們可以直接下載并使用。它能夠有效、快捷地處理大量的數(shù)據(jù)。MySQL數(shù)據(jù)庫(kù)具有處理速度快、占用體積小等優(yōu)點(diǎn)，其中，最為重要的是其開(kāi)源的優(yōu)點(diǎn)，所以MySQL數(shù)據(jù)庫(kù)常常受到網(wǎng)站開(kāi)發(fā)者的青睞。2.6Fiddler2.6.1為什么使用Fiddler網(wǎng)絡(luò)爬蟲(chóng)是自動(dòng)爬取網(wǎng)頁(yè)的程序，在爬取的過(guò)程中必然涉及客戶端與服務(wù)器端之間的通信，自然也需要發(fā)送一些HTTP請(qǐng)求，并接收服務(wù)器返回的結(jié)果。在一些稍復(fù)雜的網(wǎng)絡(luò)請(qǐng)求中，我們直接看網(wǎng)址的變化是看不出規(guī)律的，此時(shí)如果要進(jìn)行自動(dòng)化爬取網(wǎng)頁(yè)，就必須要通過(guò)程序構(gòu)造這些請(qǐng)求，而要通過(guò)程序構(gòu)造這些請(qǐng)求，就必須首先分析這些請(qǐng)求的規(guī)律。所以此時(shí)我們要使用工具截獲這些請(qǐng)求，對(duì)這些請(qǐng)求進(jìn)行分析。2.6.2為什么選擇Fiddler目前，抓包工具有很多，為什么使用Fiddler呢?原因如下：（1）盡管firebug可以獲取數(shù)據(jù)包，但它的功能還不足以分析HTTP請(qǐng)求的細(xì)節(jié)。模擬HTTP請(qǐng)求的能力也不夠，因?yàn)閒irebug通常是需要“無(wú)刷新修改”。如果刷新了頁(yè)面，所有的修改都不會(huì)保存。（2）Wireshark功能齊全，但凡事有利必有弊。因此，它的規(guī)模較為龐大。對(duì)于我們來(lái)說(shuō)，只需要捕獲HTTP請(qǐng)求的應(yīng)用程序即可，所以，它似乎是過(guò)度限定的。（3）Httpwatch僅支持IE和firefox瀏覽器（其他瀏覽器可能會(huì)出現(xiàn)一些問(wèn)題），因此，這對(duì)于大多數(shù)使用者來(lái)說(shuō)有些力不從心。（4）瀏覽器本身就擁有調(diào)試工具。優(yōu)點(diǎn)是瀏覽器自帶，比較輕量，但無(wú)法支持一些比較復(fù)雜的抓包。因此，并不適合本設(shè)計(jì)。（5）Fiddler具有很強(qiáng)的通用性且操作簡(jiǎn)單。只要能夠?qū)TTP代理設(shè)置為:8888，任何瀏覽器和應(yīng)用程序都可以使用Fiddler。2.6.3簡(jiǎn)介Fiddler是比較好用的web代理調(diào)試工具之一，它使用的代理地址是：，默認(rèn)端口為8888，也可以設(shè)置修改。它以代理服務(wù)器的方式，位于客戶端和服務(wù)器端之間，監(jiān)聽(tīng)網(wǎng)絡(luò)數(shù)據(jù)流動(dòng)。Fiddler可以支持眾多的HTTP調(diào)試任務(wù)。例如，可以設(shè)置斷點(diǎn)，或者重新發(fā)送、修改請(qǐng)求數(shù)據(jù)和轉(zhuǎn)存等操作，也可以用來(lái)檢測(cè)網(wǎng)絡(luò)安全和流量，功能非常的強(qiáng)大。2.7hashlib模塊2.7.1簡(jiǎn)介 hashlib包含著MD5和SHA的算法，它主要是應(yīng)用于安全領(lǐng)域中的加密算法。而我們一般使用的比較多的是MD5算法。MD5和SHA是摘要算法，什么是摘要算法呢？就是將任意長(zhǎng)度的輸入，變成固定長(zhǎng)度的輸出。摘要函數(shù)是一個(gè)單向函數(shù)，計(jì)算f(data)很容易，但是通過(guò)digest反推data非常困難，對(duì)data做任意修改，計(jì)算出的摘要值是完全不相同。2.7.2MD5算法MD5算法快速且常用。它的結(jié)果是固定的16字節(jié)，通常由一個(gè)32位十六進(jìn)制字符串表示。SHA1算法更安全。它的結(jié)果是固定的20字節(jié)，通常由一個(gè)40位十六進(jìn)制字符串表示。安全系數(shù)更高的算法有sha256、SHA512等，但安全系數(shù)越高，算法就會(huì)越慢，并且摘要長(zhǎng)度也越長(zhǎng)。MD5算法特點(diǎn)：（1）抗修改性：原數(shù)據(jù)如果有任意一絲的改變，生成的MD5值也會(huì)有很大的區(qū)別。（2）壓縮性：對(duì)于任意數(shù)據(jù)，無(wú)論其長(zhǎng)度如何，生成的MD5值長(zhǎng)度一樣。（3）可靠性：相同算法以及相同的字符串獲得的密文結(jié)果總是相同。（4）強(qiáng)抗碰撞性：即使給定原始數(shù)據(jù)和MD5值，也很難找到MD5值相同的偽造數(shù)據(jù)。（5）易于計(jì)算：無(wú)論原數(shù)據(jù)是什么，計(jì)算出MD5值都非常容易。無(wú)論數(shù)據(jù)有多大，都可以快速計(jì)算MD5字符串的字符串。

3基于Scrapy框架的百度新聞爬蟲(chóng)具體實(shí)現(xiàn)3.1爬取對(duì)象簡(jiǎn)介本設(shè)計(jì)實(shí)現(xiàn)的網(wǎng)絡(luò)爬蟲(chóng)是以“百度新聞”網(wǎng)站的首頁(yè)為爬取目標(biāo)，爬取的內(nèi)容為網(wǎng)站首頁(yè)的各個(gè)欄目新聞的標(biāo)題、網(wǎng)頁(yè)鏈接和新聞的文本內(nèi)容，并存儲(chǔ)到MySQL后臺(tái)數(shù)據(jù)庫(kù)中，爬取的欄目分別有城市欄目、國(guó)內(nèi)欄目、國(guó)際欄目、娛樂(lè)欄目、體育欄目、財(cái)經(jīng)欄目、科技欄目、軍事欄目、互聯(lián)網(wǎng)欄目、探索欄目、女人欄目、健康欄目和圖片新聞。百度新聞是一種24小時(shí)的自動(dòng)新聞服務(wù)，每隔5分鐘就會(huì)自動(dòng)選取更新。它與其他新聞服務(wù)不同，\t"/item/%E7%99%BE%E5%BA%A6%E6%96%B0%E9%97%BB/_blank"新聞來(lái)源包括500多個(gè)權(quán)威網(wǎng)站，手機(jī)和過(guò)濾來(lái)自數(shù)千個(gè)新聞來(lái)源的新聞報(bào)道。熱點(diǎn)新聞每天由新聞源網(wǎng)站和媒體“民主投票”評(píng)選，沒(méi)有任何人為的編輯元素，突出了新聞的客觀性和完整性。本設(shè)計(jì)選取“百度新聞”作為爬取對(duì)象，我們可以接觸到很多方面的內(nèi)容，如網(wǎng)頁(yè)結(jié)構(gòu)解析、fiddler抓包工具、hashlib模塊以及MySQL數(shù)據(jù)庫(kù)的連接與存儲(chǔ)等，這可以幫助我們進(jìn)一步的了解網(wǎng)絡(luò)爬蟲(chóng)的工作原理和流程。同時(shí)，我們獲得的新聞信息也是極具價(jià)值的。3.2網(wǎng)絡(luò)爬蟲(chóng)實(shí)現(xiàn)細(xì)節(jié)3.2.1創(chuàng)建Scrapy爬蟲(chóng)項(xiàng)目和爬蟲(chóng)應(yīng)用程序在本設(shè)計(jì)中，我們首先需要?jiǎng)?chuàng)建一個(gè)Scrapy爬蟲(chóng)項(xiàng)目和爬蟲(chóng)應(yīng)用程序，具體操作如下：首先，鍵盤(pán)按住win+R,并在輸入窗口中輸入cmd，打開(kāi)命令提示符；進(jìn)入D盤(pán)目錄下的Scrapy文件夾，并輸入Scrapy命令“scrapystartprojectbaidunews”創(chuàng)建一個(gè)名為“baidunews”的爬蟲(chóng)項(xiàng)目；進(jìn)入“baidunews”文件夾，輸入“scrapygenspider-tbasicnews”創(chuàng)建一個(gè)名為“news”的爬蟲(chóng)應(yīng)用程序。至此，我們已經(jīng)完成了Scrapy爬蟲(chóng)項(xiàng)目和爬蟲(chóng)應(yīng)用程序的成功創(chuàng)建，項(xiàng)目結(jié)構(gòu)如下：其中，news.py文件是爬蟲(chóng)設(shè)置文件，需要爬取什么網(wǎng)頁(yè)和數(shù)據(jù)的提取都是在此文件中編寫(xiě)；items.py文件是設(shè)置數(shù)據(jù)存儲(chǔ)模板，用于結(jié)構(gòu)化數(shù)據(jù)；pipelines.py文件為爬蟲(chóng)項(xiàng)目的管道文件；settings.py文件是設(shè)置文件。3.2.2配置items.py文件，設(shè)置數(shù)據(jù)存儲(chǔ)容器在本設(shè)計(jì)中，我們需要爬取的內(nèi)容為百度新聞網(wǎng)站首頁(yè)的各個(gè)欄目新聞的標(biāo)題、網(wǎng)頁(yè)鏈接和新聞的文本內(nèi)容，所以我們先確定三個(gè)容器用來(lái)存儲(chǔ)相應(yīng)的數(shù)據(jù)，分別是“title”、“l(fā)ink”和“content”。因?yàn)樵诒驹O(shè)計(jì)中設(shè)置有定時(shí)爬取模塊，可能會(huì)爬取到重復(fù)的新聞內(nèi)容，為了避免MySQL數(shù)據(jù)庫(kù)數(shù)據(jù)冗余，因此，本設(shè)計(jì)選擇使用hashlib模塊，并利用其中的MD5算法，對(duì)爬取到的新聞鏈接進(jìn)行加密處理得到一個(gè)32位的十六進(jìn)制字符串作為MySQL數(shù)據(jù)庫(kù)的主鍵，從而達(dá)到消除數(shù)據(jù)冗余的目的。因此，還需要設(shè)置一個(gè)容器“md5”用以存儲(chǔ)MD5算法處理后得到的數(shù)值。本設(shè)計(jì)使用的源代碼如下所示：3.2.3使用Fiddler抓包工具分析URL規(guī)律因?yàn)樵诎俣刃侣勈醉?yè)網(wǎng)站的HTML代碼中發(fā)現(xiàn)里面包含的信息并不完整，無(wú)法直接得到所有的新聞鏈接，加入了反爬蟲(chóng)技術(shù)，因此猜測(cè)數(shù)據(jù)內(nèi)容隱藏在動(dòng)態(tài)數(shù)據(jù)JS（JavaScript）中，使得我們無(wú)法直接獲得全部數(shù)據(jù)。因此，我們需要使用Fiddler進(jìn)行分析規(guī)律。通過(guò)Fiddler工具可知，所有欄目的信息都隱藏在下圖的類(lèi)似鏈接中：將所有欄目的信息鏈接進(jìn)行對(duì)比，得到鏈接規(guī)律如下："/widget?id="+XXX+"&ajax=json"，所有欄目的信息鏈接的區(qū)別只在于id值有所不同。因此，我們可以先得到所有欄目的id值并存放到一個(gè)列表中，然后依次取出并替換到XXX中得到所有欄目的完整鏈接。3.2.4配置news.py文件，設(shè)置爬蟲(chóng)程序news.py是整個(gè)項(xiàng)目的核心部分，網(wǎng)頁(yè)爬蟲(chóng)的實(shí)現(xiàn)代碼主要在這里。完成該文件的配置，需要進(jìn)行以下步驟：進(jìn)行一級(jí)爬?。喝缃裎覀円呀?jīng)得到了所有欄目的完整鏈接，所以我們只需要依次從列表中取出完整鏈接并進(jìn)行訪問(wèn)爬取，即可獲得百度新聞首頁(yè)網(wǎng)站所有欄目的HTML代碼并將內(nèi)容交給下一個(gè)解析函數(shù)next進(jìn)行下一步的處理。（2）進(jìn)行二級(jí)爬?。和ㄟ^(guò)第一次的爬取，我們已經(jīng)獲得了所有的百度新聞首頁(yè)網(wǎng)站所有欄目的HTML代碼內(nèi)容，里面包含了所有欄目的新聞鏈接，通過(guò)觀察HTML代碼發(fā)現(xiàn)，可以輕松的通過(guò)re庫(kù)的正則表達(dá)式來(lái)快速提取所需的新聞鏈接。但是有部分提取到的新聞鏈接內(nèi)容是不規(guī)則的，如果不修改的話則無(wú)法直接訪問(wèn)爬取，所以需要進(jìn)一步的修改處理。經(jīng)過(guò)修改處理后，我們已經(jīng)得到了百度新聞首頁(yè)網(wǎng)站所有欄目新聞的正確鏈接，因此我們對(duì)所有新聞的正確鏈接進(jìn)行訪問(wèn)爬取，從而獲得所有新聞的網(wǎng)頁(yè)內(nèi)容并交給解析函數(shù)next2進(jìn)行下一步的處理。數(shù)據(jù)信息提取：經(jīng)過(guò)第二次的爬取，我們已經(jīng)成功獲得了百度新聞首頁(yè)網(wǎng)站所有欄目新聞的HTML代碼內(nèi)容，然后，我們從中提取出需要的數(shù)據(jù)信息，最后存儲(chǔ)到相應(yīng)的容器中。直接提取數(shù)據(jù)的方法有很多種，在本設(shè)計(jì)中，使用XPath表達(dá)式來(lái)提取數(shù)據(jù)信息相比于其他幾種方法更加的方便和迅速。通過(guò)觀察大量的新聞網(wǎng)頁(yè)的HTML代碼找到數(shù)據(jù)提取規(guī)律并將所需數(shù)據(jù)提取出來(lái)，然后將所獲得的數(shù)據(jù)存儲(chǔ)到相應(yīng)的容器中，并交給pipelines.py文件進(jìn)行數(shù)據(jù)處理。新聞URL過(guò)濾去重：通過(guò)第一次的爬取，我們已經(jīng)獲得了所有的百度新聞首頁(yè)網(wǎng)站所有欄目的新聞鏈接，因?yàn)樵诒驹O(shè)計(jì)中設(shè)置有定時(shí)爬取模塊，可能會(huì)爬取到重復(fù)的新聞內(nèi)容，為了避免MySQL數(shù)據(jù)庫(kù)數(shù)據(jù)冗余，因此，本設(shè)計(jì)選擇使用hashlib模塊，并利用其中的MD5算法，對(duì)爬取到的新聞鏈接進(jìn)行加密處理得到一個(gè)32位的十六進(jìn)制字符串存儲(chǔ)到容器md5中作為MySQL數(shù)據(jù)庫(kù)的主鍵，從而達(dá)到消除數(shù)據(jù)冗余的目的。3.2.5配置settings.py文件編寫(xiě)配置settings.py文件，必須在pipelines.py文件處理從網(wǎng)絡(luò)爬蟲(chóng)中獲取的items之前，否則可能會(huì)導(dǎo)致數(shù)據(jù)無(wú)法得到處理。首先，因?yàn)楸驹O(shè)計(jì)對(duì)“百度新聞”網(wǎng)站進(jìn)行爬取只是為了研究和學(xué)習(xí)網(wǎng)絡(luò)爬蟲(chóng)的相關(guān)技術(shù)，并非用在商業(yè)盈利方面，所以在爬蟲(chóng)開(kāi)始前需要將ROBOTSTXT_OBEY改為False，意義為不遵從網(wǎng)站設(shè)定的Robots協(xié)議，否則網(wǎng)絡(luò)爬蟲(chóng)會(huì)很快就停掉的。其次，我們還要規(guī)定item的處理類(lèi)，在settings.py中找到ITEM_PIPELINES，并將其注釋前綴去掉，使得pipelines.py文件可以運(yùn)行起來(lái)。3.2.6創(chuàng)建MySQL數(shù)據(jù)庫(kù)為了存儲(chǔ)從網(wǎng)絡(luò)爬蟲(chóng)得到的數(shù)據(jù)信息，首先，我們需要先配置好MySQL數(shù)據(jù)庫(kù)的信息，分別設(shè)置host的值為“”,user的值為“root”,passwd的值為“123456”。其次，進(jìn)入MySQL數(shù)據(jù)庫(kù)系統(tǒng)，創(chuàng)建一個(gè)名為“baidunews”的新數(shù)據(jù)庫(kù)，并在該數(shù)據(jù)庫(kù)中創(chuàng)建一個(gè)名為“news”的表格用以存儲(chǔ)網(wǎng)絡(luò)爬蟲(chóng)獲得的數(shù)據(jù)信息。在該表格中，創(chuàng)建四個(gè)屬性分別是“title”，“l(fā)ink”，“content”和“md5”,并設(shè)置md5屬性為主鍵。結(jié)果如下圖所示：3.2.7配置pipelines.py文件，進(jìn)行數(shù)據(jù)處理經(jīng)過(guò)news.py文件進(jìn)行網(wǎng)絡(luò)爬蟲(chóng)后，已經(jīng)得到了我們所需要的百度新聞網(wǎng)站首頁(yè)的各個(gè)欄目新聞的標(biāo)題、網(wǎng)頁(yè)鏈接、新聞的文本內(nèi)容和網(wǎng)頁(yè)鏈接的MD5值，并且存放在items中交由pipelines.py進(jìn)行數(shù)據(jù)處理。在進(jìn)行數(shù)據(jù)存儲(chǔ)之前，先建立起與MySQL數(shù)據(jù)庫(kù)系統(tǒng)的連接。其次，使用for循環(huán)語(yǔ)句將items的每個(gè)新聞網(wǎng)頁(yè)的數(shù)據(jù)提取出來(lái)，然后再執(zhí)行SQL語(yǔ)句，并對(duì)執(zhí)行語(yǔ)句進(jìn)行異常捕捉，若是重復(fù)數(shù)據(jù)則輸出“插入重復(fù)數(shù)據(jù)”，若不是重復(fù)數(shù)據(jù)則成功插入到數(shù)據(jù)庫(kù)中，最后再關(guān)閉MySQL數(shù)據(jù)庫(kù)連接進(jìn)行數(shù)據(jù)保存。本設(shè)計(jì)使用的源代碼如下所示：3.2.8設(shè)置定時(shí)爬取模塊百度新聞是一種24小時(shí)的自動(dòng)新聞服務(wù)，每5分鐘會(huì)自動(dòng)選取內(nèi)容更新。所以，我們?cè)O(shè)置定時(shí)爬取模塊，使用while循環(huán)語(yǔ)句和Time庫(kù)的延時(shí)函數(shù)，當(dāng)百度新聞首頁(yè)網(wǎng)站每5分鐘自動(dòng)選取更新一次內(nèi)容時(shí)，我們的網(wǎng)絡(luò)爬蟲(chóng)也重新爬取一遍網(wǎng)頁(yè)，將新的新聞內(nèi)容存儲(chǔ)到MySQL后臺(tái)數(shù)據(jù)庫(kù)中，不斷地更新MySQL數(shù)據(jù)庫(kù)數(shù)據(jù)，達(dá)到與時(shí)俱進(jìn)的效果。4爬蟲(chóng)測(cè)試與效果展示4.1運(yùn)行狀態(tài)及測(cè)試（1）首先，鍵盤(pán)按住win+R,并在輸入窗口中輸入cmd，打開(kāi)命令提示符；（2）先進(jìn)入D盤(pán)目錄下的Scrapy文件夾，再進(jìn)入“baidunews”文件夾，并輸入“scrapycrawlnews--nolog”執(zhí)行爬蟲(chóng)，得到消除日志信息后的網(wǎng)絡(luò)爬蟲(chóng)結(jié)果。由上可知，網(wǎng)絡(luò)爬蟲(chóng)可以正常運(yùn)行，并且成功獲得了百度新聞首頁(yè)網(wǎng)站各欄目新的新聞數(shù)據(jù)信息，隨后添加到MySQL后臺(tái)數(shù)據(jù)庫(kù)中，而對(duì)于重復(fù)的新聞數(shù)據(jù)信息也會(huì)輸出提醒“插入重復(fù)數(shù)據(jù)”，不會(huì)添加到MySQL數(shù)據(jù)庫(kù)中造成數(shù)據(jù)冗余。4.2數(shù)據(jù)抓取結(jié)果展示進(jìn)入到MySQL數(shù)據(jù)庫(kù)系統(tǒng)中，打開(kāi)“baidunews”數(shù)據(jù)庫(kù)，進(jìn)入“news”表格，可以看到Scrapy網(wǎng)絡(luò)爬蟲(chóng)得到的數(shù)據(jù)信息。5總結(jié)與展望5.1總結(jié)在本文中，首先介紹了網(wǎng)絡(luò)爬蟲(chóng)的產(chǎn)生背景和意義以及網(wǎng)絡(luò)爬蟲(chóng)的特點(diǎn)和基本原理。然后介紹了Scrapy爬蟲(chóng)框架的基本結(jié)構(gòu)、各模塊功能和運(yùn)行的基本流程；介紹了信息提取方式如正則表達(dá)式和XPath表達(dá)式的基本概念和使用方法；介紹了利用Fiddler抓包工具對(duì)動(dòng)態(tài)網(wǎng)頁(yè)數(shù)據(jù)的進(jìn)行捕獲和分析的方法；介紹了hashli模塊的MD5算法實(shí)現(xiàn)網(wǎng)頁(yè)URL的過(guò)濾去重。本設(shè)計(jì)基于Python和Scrapy等開(kāi)源技術(shù)，實(shí)現(xiàn)了一個(gè)以“百度新聞”首頁(yè)網(wǎng)站新聞為目標(biāo)的簡(jiǎn)單聚焦網(wǎng)絡(luò)爬蟲(chóng)。本設(shè)計(jì)完成了以下任務(wù)：（1）使用Scrapy爬蟲(chóng)框架，對(duì)百度新聞首頁(yè)網(wǎng)站的各欄目新聞信息進(jìn)行數(shù)據(jù)獲??；（2）使MySQL數(shù)據(jù)庫(kù)和Scrapy網(wǎng)絡(luò)爬蟲(chóng)進(jìn)行連接，將獲取的數(shù)據(jù)存儲(chǔ)到MySQL后臺(tái)數(shù)據(jù)庫(kù)中，進(jìn)行數(shù)據(jù)存儲(chǔ)；（3）使用Python編程語(yǔ)言的hashlib庫(kù)的MD5算法，對(duì)獲取的新聞網(wǎng)頁(yè)URL進(jìn)行加密處理從而達(dá)到數(shù)據(jù)過(guò)濾去重的效果；（4）使用Python編程語(yǔ)言的Time模塊，對(duì)爬