网页爬虫小试牛刀

大数据时代，数据对我们来说就是一笔宝贵的财富，以机器翻译来说，第一步呢需要收集目前大量的中英文翻译的原句子，而这些句子我们应该去哪里得到呢？最简单、最直接、最有效、最现成的办法就是去爬取。由于之前没有做过类似的东西，所以打算使用强悍的python辅助我。

　　首先选定了要爬取的网站 http://news.iyuba.com/ ，一个非常炫酷的双语网站。

　　首先我们发现，这一页并没有我们直接需要的中英文的素材，而是点击了导航栏上了各大分类，再进入具体的分类页后，再次点击具体的内容，才会有中英文互译的文章，我们的爬取思路如下：

　　思路：首页先得到进入各个分类的页面的url，其次在分类页面爬取出当前页面所有文章的url，最后进入文章获得中英文素材。

　　首先我们需要查看一下网页的源代码，将导航栏处的源代码找到，提取看它是否有什么特征。我们的做法是点击右键，查看源代码：

　　经过仔细的查找，我们找到了其中的对应关系：

　　那么接下来要做的就是解析html了。

　　经过查阅资料，python解析html有现成的BeautifulSoup库比较强大，所以第一步安装这个强大的库，这里我的python版本是2.7，进入python的安装目录后，使用pip进行安装：

　　学习了一些简单的api用法之后，直接开始上手实践：

 #print soup.title 找到title的标签，例如<title>标题内容</title>
 #print soup.title.string 将title标签中的内容输出，例如“标题内容”
 #print soup.p 输出所有p标签的第一个,如果想找所有的，使用find_all('p')
 #print soup.find(id="search_button") 找到id是指定id的标签
 #print soup.get_text().encode('utf-8') 得到所有内容

　　第一步实现的代码如下：

#-*- coding:utf-8 -*-
import urllib2
from bs4 import BeautifulSoup
import re
 
# 要爬取的总url
weburl='http://news.iyuba.com/'

class Climbing():    
    # 设置代理开关
    enable_proxy = True
    
    # 总url
    url = ''
    
    # 初始化
    def __init__(self, url):
        self.url = url
        proxy_handler = urllib2.ProxyHandler({"http" : 'web-proxy.oa.com:8080'})
        null_proxy_handler = urllib2.ProxyHandler({})
        if self.enable_proxy:
            opener = urllib2.build_opener(proxy_handler)
        else:
            opener = urllib2.build_opener(null_proxy_handler)
        urllib2.install_opener(opener)
    
    # 根据url，得到请求返回内容的soup对象
    def __getResponseSoup(self, url):
        request = urllib2.Request(url)
        #request.add_header('User-Agent', "Mozilla/5.0")
        #request.add_header('Accept-Language', 'zh-ch,zh;q=0.5')
        response = urllib2.urlopen(request)
        resault = response.read()
        soup = BeautifulSoup(resault, "html.parser")
        return soup
    
    # 首页中抓去到各个分类的url
    def getCategoryUrl(self):    
        soup = self.__getResponseSoup(self.url)
        allinfo = soup.find_all('ul', attrs={"class": "nav navbar-nav"})[0].find_all('a')
        for info in allinfo:
            chinese = info.get_text().encode('utf-8')
            href = info.get('href')
            if href == self.url:    
                continue
            print chinese, href

        
c = Climbing(weburl)
c.getCategoryUrl()

　　运行之后，输出的内容为：

　　校园 http://news.iyuba.com/essay_category/120/1.html
　　娱乐 http://news.iyuba.com/essay_category/121/1.html
　　科技 http://news.iyuba.com/essay_category/122/1.html
　　体育 http://news.iyuba.com/essay_category/123/1.html
　　经济 http://news.iyuba.com/essay_category/126/1.html
　　职场 http://news.iyuba.com/essay_category/124/1.html
　　政治 http://news.iyuba.com/essay_category/125/1.html
　　文化 http://news.iyuba.com/essay_category/127/1.html
　　生活 http://news.iyuba.com/essay_category/128/1.html

　　可以看到各个分类的ur已经被我们轻松的拿下了，接下来我们再爬取各个分类url下的文章的url，使用到的代码如下：

　　# 继续解析分类url，得到具体文章的url
    def getDetailUrl(self, Category, url):
        print Category,url
        soup = self.__getResponseSoup(url)        
        otherurl = soup.find_all('a', attrs={"target": "_blank"})
        for info in otherurl:
            tmp = info.find(re.compile("^b"))        
            if tmp:
                detailurl = self.url + info.get('href')
                print detailurl

　　运行之后，得到的结果是：

　　得到具体的文章的url之后，接下来就是最后一步，抓取出每个url内容中的中英文，使用同样类似的方法，代码如下：

    # 根据具体的url去拿翻译的数据
    def getTranslateContent(self, url):
        print '*************** '+url
        soup = self.__getResponseSoup(url)
        all = soup.find_all('p', attrs={"ondblclick": "javascript:doExplain();"})
        for words in all:
            print words.get_text().encode('utf-8')
        all = soup.find_all('p', attrs={"class": "p2"})
        for words in all:
            print words.get_text().encode('utf-8')

　　输出的结果是：

　　其实这样的爬取根本不够，因为每个分类我只是抓取了第一页的文章链接，而我需要的是把整个站点的所有内容全部抓取下来，因此每个需要都需要翻页去抓取，翻页的个数不确定，因此只能设置一个阈值，然后去试，直到出现了404页面。当然整个翻译的过程中还需要去重一些url，即使用这样的方式还是会存在一些重复的url，从log里就可以看出来：