• 热门专题

Perl爬虫的简单实现

作者:Glacier  发布日期:2015-06-14 12:27:45
Tag标签:爬虫  
  • 由于工作中有个项目需要爬取第三方网站的内容,所以在Linux下使用Perl写了个简单的爬虫。

    相关工具

    1. HttpWatch/浏览器开发人员工具

    一般情况下这个工具是用不到的,但是如果你发现要爬取的内容在页面的HTML源码里找不到,如有的页面是通过AJAX异步请求数据的,这时候就需要HttpWatch之类的工具来找到实际的HTTP请求的URL了,当然现在很多浏览器都有开发人员工具(如Chrome, Firefox等),这样可以更方便查看所有请求的URL了。

    2. curl/wget

    这是爬虫中最重要的工具了,作用就是模拟浏览器的HTTP请求,从而获取数据。一般来说就是请求一个URL来获取相应的Web页面的HTML源码,还可以下载文件。使用curl和wget都可以很方便完成这个任务。

    3. Perl

    把页面爬下来后,就要从HTML中提取所需要的信息,这时候就要用到正则表达式了。我用的是Perl来编写爬虫脚本。之所以不使用Shell,是因为Shell的正则匹配功能还是太弱了。当然有很多脚本语言在正则匹配方面都很强大,如Python,如果你对这些脚本语言都不熟悉,相对而言,Perl会更容易上手一些。

    4. 正则表达式

    正则表达式的语法大部分都是通用的,但是不用的语言又会有些小的差别,下面列举Perl中正则表达式的一些重要的语法:

    元字符 .

    锚位 ^ $ \b

    字符集  \d \w \s

    量词 * ? + {m,n}

    分组 () (abc)*

    择一匹配  |  (ab|bc)

    捕获变量 ()

    修饰符  /i /s /g

    爬取步骤

    下面以爬取某网站的手机App为例,说明一下爬取的步骤。

    1. 爬取目录

    假设我需要爬取的目录页是http://www.anzhi.com/sort_39_1_new.html,首先找到页索引和URL的规律,这个是很简单的,只需要把http://www.anzhi.com/sort_39_[i]_new.html中的[i]替换为页索引即可。接下来,需要知道一共有多少页,才能知道爬取目录页什么时候时候完成。一般页面上会显示共多少页,但这里要爬的页面是没有的,那怎么办呢?可以通过人工的方式去看一共有多少页,还有一个方法是,爬取到某一页发现没有匹配的目录项了,就说明所有目录页已经爬完了。

    把目录页爬取下来后,把二级页面的ULR通过正则匹配提取出来,写到数据库中,URL可以标识一个页面的唯一性,所以要保证写入数据的URL不重复。需要注意的是在HTML中的URL可能是相对路径,需要把URL补全。

     

     

    大部分情况是需要增量爬取的,如每天只爬取新增的目录项,为了防止重复无效的爬取,选择的目录页最好是按更新时间排序的,这样只需要爬取有更新的前几页就可以了。那怎么知道哪些目录页是有更新的呢?如果目录项有更新时间的话,可以通过比较这个时间来确定。还有一种更简单的方法是,如果某一页所有的URL在数据库都存在了,说明这一页没有新的目录项了,可以停止爬取了。

    2. 爬取详细信息

    在第一步中已经把二级页面的URL爬取下来了,接下来就是要爬取详细信息了,如手机App的各种信息,截图和安装包的URL。对于文字信息是很容易在HTML中提取的,但对于安装包URL就不是一眼能找到的,这里的下载地址隐藏在JS中,如下图,在页面里提取到id后,就能拼出安装包URL。对于爬取完成的URL,在数据库中应该用状态字段标示其爬取完成,避免重复爬取。

     

     

     

     

    3. 文件下载

    有时候我们不仅要爬取文字信息,还需要下载图片或文件,比如这里我们还需要下载截图和安装包,在前一步中已经爬取了截图和安装包的URL,使用curl或wget可以很方便地进行文件下载。同样也需要状态字段来标示文件的下载状态。

    通用和扩展

    1. 通用爬取接口

    为了减少一些爬取的重复代码,这里提取了一些公共代码,写了一个比较通用的爬取接口,需要注意的是,由于页面的编码和数据编码可能不一致,所以需要把页面的编码转化成数据库编码,否则写入数据就可能出现乱码。接口说明和代码如下:

    调用方式:@results=&CrawlUrl($url, $page_charset, $expect_charset, \@regexs, \$crawl_result)

    参数:URL,页面编码,期望编码,正则表达式数组,爬取是否成功(0成功,否则失败)

    返回值:匹配结果二维数组(一个正则表达式可以匹配一组数据)

     1 #!/usr/bin/perl
     2 
     3 sub ParseUrl
     4 {
     5     my $url=$_[0];
     6     $url=~s/\[/\\\[/g;
     7     $url=~s/\]/\\\]/g;
     8     return $url;
     9 }
    10 
    11 sub CrawlUrl
    12 {
    13     my $url=$_[0];
    14     my $page_charset=$_[1];
    15     my $expect_charset=$_[2];
    16     my $regex_ref=$_[3];
    17     my $crawl_result_ref=$_[4];
    18     my @regexs=@$regex_ref;
    19     my @results;
    20    
    21     my $file=`echo -n "$url" | md5sum | awk '{print \$1".htm"}'`;
    22     chomp($file);
    23     $url=&ParseUrl($url);
    24     `curl -o "$file" "$url"`;
    25     my $curl_result=`echo $?`;
    26     chomp($curl_result);
    27     if($curl_result!=0)
    28     {
    29         $$crawl_result_ref=1;
    30         return @results;
    31 }
    32 
    33     my $html="";
    34     if($page_charset ne "" && $expect_charset ne "" && $page_charset ne $expect_charset)
    35     {
    36         $html=`iconv -f $page_charset -t $expect_charset "$file"`;
    37     }
    38     else
    39     {
    40         $html=`cat "$file"`;
    41     }
    42     `rm -f $file`;
    43 
    44     for(my $i=0;$i<=$#regexs;$i++)
    45     {
    46         my $reg=@regexs[$i];
    47         my @matches=($html=~/$reg/sg);
    48         $results[$i]=\@matches;
    49     }
    50 
    51     $$crawl_result_ref=0;
    52     return @results;
    53 }

    2. 爬虫通用性

    我们可能需要爬去同一个类型的多个网站,比如我需要爬取数十个来源的手机App,如果每个网站都写一个特定的爬虫,会带来大量的编码工作,这时候就要考虑爬虫的通用性,如何让一套代码能够适应一类网站。这里采用的方法是把各个网站的差异化信息作为配置存储在数据库,如目录页URL、网站编码、各字段正则表达式等,这样爬虫通过读取这些配置就可以去适配不同的网站,达到一定的通用性。如果要新增一个网站的爬取,只需要增加相应的配置,而不需要修改任何代码。

    3. 多进程爬取

    如果要爬取的页面或要下载的文件数量比较大,会比较耗时,这时候可以考虑多个进程同时进行爬取。写一个进程控制模块,通过查询数据库中未爬取的URL和检测当前启用爬取的进程数,来确定是否启用新的进程,达到对多进程爬取的控制。

    4. 代理

    有些网站可能会限制IP的访问频率,如果对网站的爬取频率比较高,可能就会导致IP被封了,可以通过在多个代理服务器随机切换的方式来规避这个问题。为了避免代码重复,写了一个使用代理的wget封装的Shell工具。

     1 #!/bin/bash
     2 
     3 PROXY_HOST=(代理服务器列表)
     4 
     5 function GetProxyStr()
     6 {
     7     rand=$(($RANDOM%(${#PROXY_HOST[*]}+1)))
     8     if [ $rand -lt ${#PROXY_HOST[*]} ]
     9     then
    10         PROXY_STR="-e http_proxy=${PROXY_HOST[$rand]}"
    11     fi
    12 }
    13 
    14 PROXY_STR=""
    15 PATH_TYPE="$1"
    16 FILE_PATH="$2"
    17 URL="$3"
    18 
    19 GetProxyStr
    20 GetPath
    21 
    22 wget --user-agent="Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.3) Gecko/2008092416 Firefox/3.0.3" $PROXY_STR $PATH_TYPE "$FILE_PATH" "$URL"

    5. 监控

    还有一个问题就是,如果爬虫是每天定时运行的,在网站目录页URL发生变化或页面改版了,爬取就会失败。这就要求对这些失败进行监控,在爬取页面失败或者正则匹配失败时,通过短信、邮件等方式进行告警。

延伸阅读:

About IT165 - 广告服务 - 隐私声明 - 版权申明 - 免责条款 - 网站地图 - 网友投稿 - 联系方式
本站内容来自于互联网,仅供用于网络技术学习,学习中请遵循相关法律法规