Web抓取非常有用,它可以收集信息供多种用途使用,如数据分析、统计、提供第三方信息,还可以给深神经网络和深度学习提供数据。
Web抓取是什么?
有一种非常广泛的误解,人们似乎把Web抓取和Web爬虫当成了同一种东西。所以我们先明确这一点。
两者有个非常显著的区别:
Web爬虫,指搜索或“爬”网页以获得任意信息的过程。通常是搜索引擎如Google、Yahoo或Bing的功能,以便给我们显示搜索结果。
Web抓取,指从特定的网站上利用特别定制的自动化软件手机信息的过程。
注意!
尽管Web抓取本身是从网站获取信息的合法方式,但如果使用不当,可能会变成非法。
有几种情况需要特别注意:
Web抓取可以被认为是拒绝服务攻击:发送太多请求来获取数据会给服务器带来太多压力,从而限制了正常用户访问网站的能力。
无视版权法和服务条款:因为许多人、许多组织和公司都开发Web抓取软件来收集信息,给许多网站如Amazon、eBay、LinkedIn、Instagram、Facebook等带来了不小的麻烦。因此,绝大多数网站都禁止使用抓取软件获取他们的数据,你必须获得书面许可才能收集数据。
Web抓取可被恶意使用:抓取软件的行为很像机器人,一些框架甚至提供能够自动填写并提交表单的工具。因此可以被用作自动垃圾发送工具,甚至能攻击网站。这也是CAPTCHA存在的原因之一。
如果你想开发一个强大的抓取软件,请务必考虑以上几点,遵守法律和法规。
Web抓取框架
就像许多现代科技一样,从网站提取信息这一功能也有多个框架可以选择。最流行的有JSoup、HTMLUnit和Selenium WebDriver。我们这篇文章讨论JSoup。
JSoup
JSoup是个开源项目,提供强大的数据提取API。可以用它来解析给定URL、文件或字符串中的HTML。它还能操纵HTML元素和属性。
使用JSoup解析字符串
解析字符串是JSoup的最简单的使用方式。
这段代码非常直观。调用parse()方法可以解析输入的HTML,将其变成Document对象。调用该对象的方法就能操纵并提取数据。
在上面的例子中,我们首先输出页面的标题。然后,我们获取所有带有标签“p”的元素。然后我们依次输出每个段落的文本。
运行这段代码,我们可以得到以下输出:
使用JSoup解析URL
解析URL的方法跟解析字符串有点不一样,但基本原理是相同的:
需要调用connect()方法,提供URL作为参数。然后使用get()从连接中获取HTML。这个例子的输出为:
可以看到,这个程序抓取了所有class为other-project的元素。
这种方法是最常用的,因此我们看一些通过URL进行抓取的其他例子。
抓取指定URL的所有链接
运行结果是一个很长的列表:
与此相似,你还可以得到图像的数量、元信息、表单参数等一切你能想到的东西,因此经常被用于获取统计数据。
使用JSoup解析文件
如果要解析文件,就不需要给网站发送请求,因此不用担心运行程序会给服务器增添太多负担。尽管这种方法有许多限制,并且数据是静态的,因而不适合许多任务,但它提供了分析数据的更合法、更无害的方式。
得到的文档可以用前面说过的任何方式解析。
设置属性值
除了读取字符串、URL和文件并获取数据之外,我们还能修改数据和输入表单。
例如,在访问亚马逊时,点击左上角的网站标志,能返回到网站的首页。
如果想改变这个行为,可以这样做:
获取网站标志的id后,我们可以查看其HTML。还可以访问它的子元素,并改变其属性。
默认情况下,两个
子元素都指向了各自的链接。将属性改变为别的值之后,可以看到子元素的href属性被更新了。
添加或删除类
除了设置属性值之外,我们还可以修改前面的例子,给元素添加或删除类:
运行代码会给我们以下信息:
可以把新的代码以.html形式保存到本机,或者通过HTTP请求发送大欧网站上,不过要注意后者可能是非法的。结论
在许多情况下Web抓取都很有用,但使用时务必要遵守法律。本文介绍了流行的Web抓取框架JSoup,以及使用它解析信息的几种方式。
留言与评论(共有 0 条评论) |