查看: 92446|回复: 48
打印 上一主题 下一主题

[教程] 用一个简单的例子讲讲怎样从网站上扒数据

    [复制链接]

该用户从未签到

59

主题

960

回帖

8774

积分

翰林院编修

Rank: 11Rank: 11Rank: 11Rank: 11

积分
8774

灌水大神章小蜜蜂章笑傲江湖章翰林院专用章管理组专用章

跳转到指定楼层
1
发表于 2014-6-17 19:21:42 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式

一直想找个英语单词词根和前缀、后缀的词典,主要用来辅助记单词
比如entombed,如果知道en-,知道tomb,这个单词看一遍就记住了,
有点类似汉字的偏旁部首
找来找去,觉得prefixsuffix.com这个网站还不错,收得比较全,解释比较简明
但是总不能整天老挂在这网站上,得想个能离线浏览的办法
他家倒是出了个app放在appstore上,卖18元,说实话有点小贵,人家SOED6才卖18
这还不算,最要命的是从2010年以来这个app一直没更新过,究竟是不再维护了呢?还是已经完美到不用再更新了呢?
要知道这几年ios都有过几次重大升级,万一买了和ios7不兼容,闪退怎么办?岂不是白买

于是想到有没有可能把他家的数据全给扒下来
运气不错,这家网站完全没设防,扒数据的整个过程轻松而愉快
现在就把这个过程详细讲讲。遇到类似问题可以照猫画虎,把附件的代码改改就能工作
我尽量写得比较啰嗦一点,让计算机小白也能看懂

一、网页的构造
这个网站比较简单,和词根相关的网页就两个
一个是rootchart,点开是张大表,列出最常用的词根
http://www.prefixsuffix.com/rootchart.php?navblks=1011000
还有一个rootsearch,点开有个search选项,可以自己输入词根查询
http://www.prefixsuffix.com/rootsearch.php

二、先搞第一个网页
地方找到了,如何下手呢?
第一个简单,直接用脚本请求这个页面,把返回结果接住就行

  1. url = 'http://www.prefixsuffix.com/rootchart.php?navblks=1011000'
  2. req = urllib2.Request(url)
  3. response = urllib2.urlopen(req)
  4. page = response.read()
  5. print page # 打出来看看返回结果究竟是啥玩意
复制代码
给计算机小白扫盲
互联网的工作原理是这样的:用户向网站发送请求,网站响应请求返回数据
比如用浏览器看网页这样一个最简单的操作:
输入一个网址按回车,浏览器就向那个网站发送请求;网站返回的网页数据被浏览器接住,经过解析、渲染呈现出来
视频啥的也是一个道理,只不过这时候返回的是视频数据,不是网页数据
这里用脚本发的请求,网站返回的数据自然也能用脚本接到


网页数据拿到了,真正需要的那一小块数据在哪呢,这个可以查一下网页的源码,右键菜单->审查元素,如下图


可以看到那块数据就在这个大表里面
  1. <table class="affix">...</table>
复制代码
在那一大篇网页数据里把这个表找到,把里面的内容给抠出来,就是一个超强的python库:BeautifulSoup的拿手好戏
(这个库使用起来非常简单,文档也非常完善,有不明白的尽可以去这里查询。这里不再多说。
http://www.crummy.com/software/B ... 4/doc/index.zh.html

于是有下面的代码

  1. soup = BeautifulSoup(page)
  2. tb = soup.find('table', {'class': 'affix'}) # 这样就把那个大表给抠出来了
  3. # 然后再一层一层的剥
  4. if tb:
  5.     rows = tb.findAll('tr') # 所有行
  6.     for tr in rows:
  7.        tds = tr.findAll('td') # 每一行的所有列
  8.        if tds:
  9.               。。。
复制代码
第一个网页到此解说完毕。
博客类、或者外汇牌价,基金公司的每日净值之类的公告信息,都可以用类似的办法扒数据

三、再搞第二个网页
这个稍微有点不同,它的工作原理是这样的
用户输入关键字,把下拉框和"start","anywhere","end"这两项选好,点击search按钮,
这时候浏览器会向rootsearch.php这个页面发送请求,捎带着还要把用户刚才输入的这些数据给POST过去,
rootsearch.php收到这些用户数据,才知道要干啥、吐出什么东西回来
页面url是已经知道的,那么这里的关键问题就是:浏览器究竟把什么数据给POST过去了呢?
还是要查一下网页的源码,如下图


可以看到这是一个form,里面有这几个东西正好对应着文本框、下拉框、"start"……:
field、find、stype
还有个hidden的东西searching,不晓得是啥,不过没关系,它的value是固定的yes
给计算机小白扫盲
form叫做提交表单,用来把用户输入的数据提交到网站后台处理
文本框、下拉框、"start"……这些叫做网页控件
注意它们的两个属性:name和value,这两个东西都是要提交给后台的,这样网站才知道用户想干嘛


搞清楚以后,于是有下面的代码

  1. values = {'field': 'root', 'find': 'ex','searching': 'yes', 'stype': 'anywhere'}
  2. # 这里模仿用户查询ex这个词缀,输入‘ex’
  3. # 扒数据自然是出来的越多越好,因此把下拉框选成root,单选按钮选到anywhere
  4. # 实际上为了扒到所有的数据,我写了26个字母X26个字母的组合,anywhere/start/end各查一遍
  5. # 一共发了26X26X3次请求,比较暴力,这种丑陋的代码就不拿出来现了
  6. data = urllib.urlencode(values)
  7. print data # 看看变成了什么,是不是很眼熟?
  8. req = urllib2.Request(url, data)
  9. page = urllib2.urlopen(req)
  10. print page # 打出来看看这回又是啥玩意
复制代码
这样就又把数据搞到了,接下来的流程和上面第一个网页的BeautifulSoup那块开始往下一模一样
注:
像这个网站这样每次检索后刷新整个页面的做法已经不多了,
最近大量的网站使用ajax技术,网站不再返回整个html页面把整篇全部刷新
而是返回一小块html片段,只刷新页面的某一小块,比较环保
或者干脆只返回一大串数据,用网页的javascript解析、生成html,这种就比较头大,数据看着头晕

第二个网页到此解说完毕。
网站登录类、论坛自动发帖类、订票类、考试报名类、抢沙发类……等等原理上都是这样实现的


看到这里你应该想明白了,为什么现在各个网站都要限制连接间隔、用图片验证码
还有用短信发验证码的,有些还搞了数据加密、随机数什么的。。。不这么搞网站服务器就要沦陷了
所以上面的代码通常会遇到网站的各种阻挠,让你抓不到数据,需要你和网站斗智斗勇
像图片验证码这玩意最近已经都不太好使了,有人收集大量的验证码图片建特征数据库,一样能突破网站的防线
于是最近很多网站的图片验证码搞得极其扭曲,以至于本人用肉眼看半天都输错,
已经到了人类都无法识别的地步。这种网站估计是留着给外星人用的。

sfetchdata.zip (1.21 KB, 下载次数: 893)

评分

2

查看全部评分

本帖被以下淘专辑推荐:

  • TA的每日心情
    奋斗
    2018-7-17 21:49
  • 签到天数: 2 天

    [LV.1]初来乍到

    0

    主题

    8

    回帖

    89

    积分

    白身

    Rank: 1

    积分
    89
    推荐
    发表于 2018-7-28 13:22:31 | 只看该作者
    首先,非常感謝樓主。
    我獲得affix2.txt后,分別用MdxBuilder3.0、4.0X32、x64創建mdx,4.0版都沒問題,但3.0版總是創建失敗,
    Done!
    Original index size = 0KB, compressed size = 0KB, compression ratio = 314%
    Time used for this section: 0 seconds
    Begin processing data contents...
    Failed to read from source file:C:\Users\frankly\Desktop\affix2.txt for record(line):1
    Conversion failed!
    請各位指教,謝謝。
  • TA的每日心情
    擦汗
    2022-3-12 13:24
  • 签到天数: 4 天

    [LV.2]偶尔看看I

    1

    主题

    59

    回帖

    190

    积分

    童生

    Rank: 2

    积分
    190

    QQ 章

    推荐
    发表于 2016-10-12 16:46:54 | 只看该作者
    bt4baidu 发表于 2014-6-29 23:27
    这种静态网页按我上面的说明毫无压力吧
    比如http://www.nsii.org.cn/node/80/A/Acanthus/Acanthus%20leu ...

    楼主问一下您的 wish list 上的 英语电子词典都找到了吗?
    辛苦了
    如果找到了能不能也给我分享一下? 邮箱[email protected]
    \thanks\a\lot\  :0
    :)

    该用户从未签到

    58

    主题

    933

    回帖

    3897

    积分

    被盗用户

    积分
    3897

    灌水大神章小蜜蜂章笑傲江湖章

    推荐
    发表于 2016-5-16 18:10:45 | 只看该作者
    楼主发出来的代码好整洁! 学习耶

    请教一下 26x26 字母的问题。能不能教教怎么捕获异常?提交上去的两个字母可能是没有的,比如 xx, 这样的话,怎么处理?
  • TA的每日心情
    开心
    2021-4-9 21:23
  • 签到天数: 48 天

    [LV.5]常住居民I

    6

    主题

    270

    回帖

    1466

    积分

    解元

    Rank: 5Rank: 5

    积分
    1466

    灌水大神章

    2
    发表于 2014-6-17 20:14:43 | 只看该作者
    辛苦了 ,O(∩_∩)O谢谢
  • TA的每日心情
    无聊
    2018-6-29 05:13
  • 签到天数: 1 天

    [LV.1]初来乍到

    8

    主题

    34

    回帖

    167

    积分

    童生

    Rank: 2

    积分
    167
    3
    发表于 2014-6-18 00:15:43 | 只看该作者
    ?我用火车采集器在采集百度百科呢。采集了1000000多万条了。制作了4.2万条,300多兆,到时候做个词典在电脑上查。估计做出来都有20g了吧,800多万条了

    点评

    我当初是保存的gzip压缩包. 20多G. 解压后至少70G. good luck!  发表于 2014-9-1 16:29
    冏,20G,硬盘剩余空间都不够了  发表于 2014-6-18 10:05

    该用户从未签到

    34

    主题

    755

    回帖

    2705

    积分

    解元

    Rank: 5Rank: 5

    积分
    2705

    灌水大神章小蜜蜂章笑傲江湖章

    4
    发表于 2014-6-18 02:15:21 | 只看该作者
    好贴要顶!
  • TA的每日心情
    开心
    昨天 16:37
  • 签到天数: 1874 天

    [LV.Master]伴坛终老

    0

    主题

    3799

    回帖

    6万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    60111

    小蜜蜂章笑傲江湖章灌水大神章

    5
    发表于 2014-6-18 09:10:56 | 只看该作者
    以前的百度百科2012,有30g,现在已经不更新了,如果楼主出新版,那可是大好事啊,预祝成功!

    点评

    个人感觉百度百科编得有点糙啊,不如维基严谨。这里有epwing格式的各语言版维基http://sourceforge.jp/projects/boookends/releases/,一直在更新  发表于 2014-6-18 10:04
  • TA的每日心情
    开心
    2021-4-9 21:23
  • 签到天数: 48 天

    [LV.5]常住居民I

    6

    主题

    270

    回帖

    1466

    积分

    解元

    Rank: 5Rank: 5

    积分
    1466

    灌水大神章

    6
    发表于 2014-6-29 10:00:52 | 只看该作者
    楼主,请帮忙,这个网站的如何扒http://www.nsii.org.cn/newquery?qs=*:*&fq=kingdom:Plantae ?

    该用户从未签到

    59

    主题

    960

    回帖

    8774

    积分

    翰林院编修

    Rank: 11Rank: 11Rank: 11Rank: 11

    积分
    8774

    灌水大神章小蜜蜂章笑傲江湖章翰林院专用章管理组专用章

    7
     楼主| 发表于 2014-6-29 23:27:41 | 只看该作者
    wenlishahsa 发表于 2014-6-29 10:00
    楼主,请帮忙,这个网站的如何扒http://www.nsii.org.cn/newquery?qs=*:*&fq=kingdom:Plantae ?

    这种静态网页按我上面的说明毫无压力吧
    比如http://www.nsii.org.cn/node/80/A ... hus%20leucostachyus
    这个页面,找到
    <div class="content clearfix">
    ...
    </div>
    把里面的东西抠出来就是
  • TA的每日心情
    开心
    2021-4-9 21:23
  • 签到天数: 48 天

    [LV.5]常住居民I

    6

    主题

    270

    回帖

    1466

    积分

    解元

    Rank: 5Rank: 5

    积分
    1466

    灌水大神章

    8
    发表于 2014-6-30 16:49:41 | 只看该作者
    本帖最后由 wenlishahsa 于 2014-6-30 16:58 编辑

    >>> url = 'http://www.prefixsuffix.com/rootchart.php?navblks=1011000'
    >>> req = urllib2.Request(url)
    Traceback (most recent call last):
      File "<pyshell#1>", line 1, in <module>
        req = urllib2.Request(url)
    NameError: name 'urllib2' is not defined>>> 楼主,请问,为什么我照你的执行会出错呢?

    点评

    出错了可以把错误拷下来直接百度  发表于 2014-6-30 17:26
    加油,你要是能把这个网站扒下来转成mdx,大家就有福了。可以先抓目录,把所有的链接抓到,然后按链接再抓网页和图片。这个网站的图片异常精美,确实让人心动,做成词典放ipad上教育小朋友很不错的。  发表于 2014-6-30 17:25
    import urllib2先  发表于 2014-6-30 17:22
  • TA的每日心情
    开心
    2021-4-9 21:23
  • 签到天数: 48 天

    [LV.5]常住居民I

    6

    主题

    270

    回帖

    1466

    积分

    解元

    Rank: 5Rank: 5

    积分
    1466

    灌水大神章

    9
    发表于 2014-6-30 18:30:34 | 只看该作者
    wenlishahsa 发表于 2014-6-30 16:49
    >>> url = 'http://www.prefixsuffix.com/rootchart.php?navblks=1011000'
    >>> req = urllib2.Request(url ...

    谢谢,解决了

    该用户从未签到

    29

    主题

    424

    回帖

    5232

    积分

    会元

    Rank: 7Rank: 7Rank: 7

    积分
    5232

    灌水大神章小蜜蜂章笑傲江湖章

    10
    发表于 2014-7-5 21:10:28 | 只看该作者
    感谢分享
  • TA的每日心情

    2022-1-3 20:06
  • 签到天数: 384 天

    [LV.9]以坛为家II

    10

    主题

    1347

    回帖

    9845

    积分

    进士

    Rank: 8Rank: 8

    积分
    9845

    灌水大神章小蜜蜂章笑傲江湖章

    11
    发表于 2014-7-14 19:50:32 | 只看该作者
    我是小白。请问百度哥什么叫 “用脚本请求这个页面” 怎么做~ ~

    该用户从未签到

    43

    主题

    448

    回帖

    3793

    积分

    贡士

    Rank: 6Rank: 6

    积分
    3793

    灌水大神章小蜜蜂章笑傲江湖章

    12
    发表于 2015-9-7 16:50:18 | 只看该作者
    版主您好,本人没有学过这些语言,也不会编写,能否下载 http://www.esdict.cn/ 一下的文件内容吗?多谢了。

    该用户从未签到

    10

    主题

    204

    回帖

    477

    积分

    被盗用户

    积分
    477
    13
    发表于 2015-9-7 22:20:14 | 只看该作者
    有用的实例  经典的例解 感谢楼主 支持楼主

    该用户从未签到

    7

    主题

    228

    回帖

    704

    积分

    举人

    Rank: 4

    积分
    704

    灌水大神章小蜜蜂章笑傲江湖章

    14
    发表于 2015-10-29 13:48:35 | 只看该作者
    先备着,改天自己尝试一下。

    该用户从未签到

    0

    主题

    25

    回帖

    709

    积分

    举人

    Rank: 4

    积分
    709

    灌水大神章

    15
    发表于 2015-10-31 15:05:48 | 只看该作者
    讲的简单明了,受教了……

    该用户从未签到

    0

    主题

    76

    回帖

    318

    积分

    秀才

    Rank: 3Rank: 3

    积分
    318
    16
    发表于 2015-12-2 17:48:15 | 只看该作者
    学习了,受益良多。
    狂顶楼主。。。

    该用户从未签到

    0

    主题

    166

    回帖

    434

    积分

    禁止发言

    积分
    434
    17
    发表于 2015-12-5 22:24:37 | 只看该作者
    学习受教了!

    该用户从未签到

    38

    主题

    764

    回帖

    3534

    积分

    禁止发言

    御赐【纯金蜥蜴】

    积分
    3534
    18
    发表于 2015-12-9 14:07:13 | 只看该作者
    almighty 楼主,
    可以把这个抓下来离线用吗?
  • TA的每日心情
    奋斗
    2019-8-6 09:01
  • 签到天数: 51 天

    [LV.5]常住居民I

    1

    主题

    117

    回帖

    1099

    积分

    解元

    Rank: 5Rank: 5

    积分
    1099

    灌水大神章笑傲江湖章

    19
    发表于 2016-1-2 12:14:03 | 只看该作者
    学习了,支持这种技术贴。

    该用户从未签到

    0

    主题

    9

    回帖

    41

    积分

    白身

    Rank: 1

    积分
    41
    20
    发表于 2016-1-2 12:25:09 | 只看该作者
    技术流!问题是能不能给给结果呢。。。。
  • TA的每日心情
    开心
    2019-6-16 20:48
  • 签到天数: 221 天

    [LV.7]常住居民III

    1

    主题

    412

    回帖

    4707

    积分

    贡士

    Rank: 6Rank: 6

    积分
    4707

    笑傲江湖章灌水大神章

    21
    发表于 2016-1-2 21:29:45 | 只看该作者
    辛苦了 ,O(∩_∩)O谢谢

    该用户从未签到

    0

    主题

    36

    回帖

    164

    积分

    童生

    Rank: 2

    积分
    164
    22
    发表于 2016-2-2 12:02:30 | 只看该作者
    好帖,谢谢分享
  • TA的每日心情
    开心
    2019-6-16 20:48
  • 签到天数: 221 天

    [LV.7]常住居民III

    1

    主题

    412

    回帖

    4707

    积分

    贡士

    Rank: 6Rank: 6

    积分
    4707

    笑傲江湖章灌水大神章

    24
    发表于 2016-2-17 10:31:28 | 只看该作者
    这个方法我得好好学习一下。
  • TA的每日心情
    无聊
    昨天 23:25
  • 签到天数: 1616 天

    [LV.Master]伴坛终老

    1

    主题

    1603

    回帖

    3万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    34439

    灌水大神章

    25
    发表于 2016-2-20 17:53:09 | 只看该作者
    Python写爬虫爬...