創(chuàng)新互聯(lián)www.cdcxhl.cn八線動(dòng)態(tài)BGP香港云服務(wù)器提供商，新人活動(dòng)買多久送多久，劃算不套路！

創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供資興網(wǎng)站建設(shè)、資興做網(wǎng)站、資興網(wǎng)站設(shè)計(jì)、資興網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁(yè)設(shè)計(jì)與制作、資興企業(yè)網(wǎng)站模板建站服務(wù)，10多年資興做網(wǎng)站經(jīng)驗(yàn)，不只是建網(wǎng)站，更提供有價(jià)值的思路和整體網(wǎng)絡(luò)服務(wù)。

這篇文章主要介紹Python異步新聞爬蟲之網(wǎng)絡(luò)請(qǐng)求函數(shù)的優(yōu)化案例，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

前面我們實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的再也不能簡(jiǎn)單的新聞爬蟲，這個(gè)爬蟲有很多槽點(diǎn)，估計(jì)大家也會(huì)鄙視這個(gè)爬蟲。上一節(jié)最后我們討論了這些槽點(diǎn)，現(xiàn)在我們就來(lái)去除這些槽點(diǎn)來(lái)完善我們的新聞爬蟲。

問(wèn)題我們前面已經(jīng)描述清楚，解決的方法也有了，那就廢話不多講，代碼立刻上（Talk is cheap, show me the code!）。

downloader 的實(shí)現(xiàn)

import requests
import cchardet
import traceback


def downloader(url, timeout=10, headers=None, debug=False, binary=False):
    _headers = {
        'User-Agent': ('Mozilla/5.0 (compatible; MSIE 9.0; '
                       'Windows NT 6.1; Win64; x64; Trident/5.0)'),
    }
    redirected_url = url
    if headers:
        _headers = headers
    try:
        r = requests.get(url, headers=_headers, timeout=timeout)
        if binary:
            html = r.content
        else:
            encoding = cchardet.detect(r.content)['encoding']
            html = r.content.decode(encoding)
        status = r.status_code
        redirected_url = r.url
    except:
        if debug:
            traceback.print_exc()
        msg = 'failed download: {}'.format(url)
        print(msg)
        if binary:
            html = b''
        else:
            html = ''
        status = 0
    return status, html, redirected_url


if __name__ == '__main__':
    url = 'http://news.baidu.com/'
    s, html，lost_url_found_by_大大派 = downloader(url)
    print(s, len(html)，lost_url_found_by_大大派)

這個(gè)downloader()函數(shù)，內(nèi)置了默認(rèn)的User-Agent模擬成一個(gè)IE9瀏覽器，同時(shí)接受調(diào)用者自定義的headers和timeout。使用cchardet來(lái)處理編碼問(wèn)題，返回?cái)?shù)據(jù)包括：

狀態(tài)碼：如果出現(xiàn)異常，設(shè)置為0

內(nèi)容： 默認(rèn)返回str內(nèi)容。但是URL鏈接的是圖片等二進(jìn)制內(nèi)容時(shí)，注意調(diào)用時(shí)要設(shè)binary=True

重定向URL： 有些URL會(huì)被重定向，最終頁(yè)面的url包含在響應(yīng)對(duì)象里面

新聞URL的清洗

我們先看看這兩個(gè)新聞網(wǎng)址:

http://xinwen.eastday.com/a/n181106070849091.html?qid=news.baidu.com
http://news.ifeng.com/a/20181106/60146589_0.shtml?_zbs_baidu_news

上面兩個(gè)帶?的網(wǎng)站來(lái)自百度新聞的首頁(yè)，這個(gè)問(wèn)號(hào)?的作用就是告訴目標(biāo)服務(wù)器，這個(gè)網(wǎng)址是從百度新聞鏈接過(guò)來(lái)的，是百度帶過(guò)來(lái)的流量。但是它們的表示方式不完全一樣，一個(gè)是qid=news.baidu.com， 一個(gè)是_zbs_baidu_news。這有可能是目標(biāo)服務(wù)器要求的格式不同導(dǎo)致的，這個(gè)在目標(biāo)服務(wù)器的后臺(tái)的瀏覽統(tǒng)計(jì)程序中可能用得到。

然后去掉問(wèn)號(hào)?及其后面的字符，發(fā)現(xiàn)它們和不去掉指向的是相同的新聞網(wǎng)頁(yè)。

從字符串對(duì)比上看，有問(wèn)號(hào)和沒(méi)問(wèn)號(hào)是兩個(gè)不同的網(wǎng)址，但是它們又指向完全相同的新聞網(wǎng)頁(yè)，說(shuō)明問(wèn)號(hào)后面的參數(shù)對(duì)響應(yīng)內(nèi)容沒(méi)有任何影響。

正在抓取新聞的大量實(shí)踐后，我們發(fā)現(xiàn)了這樣的規(guī)律：

新聞?lì)惥W(wǎng)址都做了大量SEO，它們把新聞網(wǎng)址都靜態(tài)化了，基本上都是以.html, .htm, .shtml等結(jié)尾，后面再加任何請(qǐng)求參數(shù)都無(wú)濟(jì)于事。

但是，還是會(huì)有些新聞網(wǎng)站以參數(shù)id的形式動(dòng)態(tài)獲取新聞網(wǎng)頁(yè)。

那么我們抓取新聞時(shí)，就要利用這個(gè)規(guī)律，防止重復(fù)抓取。由此，我們實(shí)現(xiàn)一個(gè)清洗網(wǎng)址的函數(shù)。

g_bin_postfix = set([
    'exe', 'doc', 'docx', 'xls', 'xlsx', 'ppt', 'pptx',
    'pdf',
    'jpg', 'png', 'bmp', 'jpeg', 'gif',
    'zip', 'rar', 'tar', 'bz2', '7z', 'gz',
    'flv', 'mp4', 'avi', 'wmv', 'mkv',
    'apk',
])

g_news_postfix = [
    '.html?', '.htm?', '.shtml?',
    '.shtm?',
]


def clean_url(url):
    # 1. 是否為合法的http url
    if not url.startswith('http'):
        return ''
    # 2. 去掉靜態(tài)化url后面的參數(shù)
    for np in g_news_postfix:
        p = url.find(np)
        if p > -1:
            p = url.find('?')
            url = url[:p]
            return url
    # 3. 不下載二進(jìn)制類內(nèi)容的鏈接
    up = urlparse.urlparse(url)
    path = up.path
    if not path:
        path = '/'
    postfix = path.split('.')[-1].lower()
    if postfix in g_bin_postfix:
        return ''

    # 4. 去掉標(biāo)識(shí)流量來(lái)源的參數(shù)
    # badquery = ['spm', 'utm_source', 'utm_source', 'utm_medium', 'utm_campaign']
    good_queries = []
    for query in up.query.split('&'):
        qv = query.split('=')
        if qv[0].startswith('spm') or qv[0].startswith('utm_'):
            continue
        if len(qv) == 1:
            continue
        good_queries.append(query)
    query = '&'.join(good_queries)
    url = urlparse.urlunparse((
        up.scheme,
        up.netloc,
        path,
        up.params,
        query,
        ''  #  crawler do not care fragment
    ))
    return url

清洗url的方法都在代碼的注釋里面了，這里面包含了兩類操作：

判斷是否合法url，非法的直接返回空字符串

去掉不必要的參數(shù)，去掉靜態(tài)化url的參數(shù)

網(wǎng)絡(luò)爬蟲知識(shí)點(diǎn)

1. URL清洗

網(wǎng)絡(luò)請(qǐng)求開始之前，先把url清洗一遍，可以避免重復(fù)下載、無(wú)效下載（二進(jìn)制內(nèi)容），節(jié)省服務(wù)器和網(wǎng)絡(luò)開銷。

2. cchardet 模塊

該模塊是chardet的升級(jí)版，功能和chardet完全一樣，用來(lái)檢測(cè)一個(gè)字符串的編碼。由于是用C和C++實(shí)現(xiàn)的，所以它的速度非常快，非常適合在爬蟲中用來(lái)判斷網(wǎng)頁(yè)的編碼。

切記，不要相信requests返回的encoding，自己判斷一下更放心。上一節(jié)，我們已經(jīng)列舉了一個(gè)例子來(lái)證明requests對(duì)編碼識(shí)別的錯(cuò)誤，如果忘了的話，可以再去回顧一下。

3. traceback 模塊

我們寫的爬蟲在運(yùn)行過(guò)程中，會(huì)出現(xiàn)各種異常，而且有些異常是不可預(yù)期的，也不知道它會(huì)出現(xiàn)在什么地方，我們就需要用try來(lái)捕獲異常讓程序不中斷，但是我們又需要看看捕獲的異常是什么內(nèi)容，由此來(lái)改善我們的爬蟲。這個(gè)時(shí)候，就需要traceback模塊。

比如在downloader()函數(shù)里面我們用try捕獲了get()的異常，但是，異常也有可能是cchardet.detect()引起的，用traceback.print_exc()來(lái)輸出異常，有助于我們發(fā)現(xiàn)更多問(wèn)題。

以上是Python異步新聞爬蟲之網(wǎng)絡(luò)請(qǐng)求函數(shù)的優(yōu)化案例的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)-成都網(wǎng)站建設(shè)公司行業(yè)資訊頻道！

分享標(biāo)題：Python異步新聞爬蟲之網(wǎng)絡(luò)請(qǐng)求函數(shù)的優(yōu)化案例-創(chuàng)新互聯(lián)
網(wǎng)頁(yè)鏈接：http://vcdvsql.cn/article38/dshjsp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供定制開發(fā)、網(wǎng)站導(dǎo)航、網(wǎng)站收錄、品牌網(wǎng)站建設(shè)、全網(wǎng)營(yíng)銷推廣、企業(yè)建站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)