(爬虫)是否有现成的轮子,对页面的文字+连接直接提取输出?

2019-06-20 01:03:26 +08:00
 qazwsxkevin

要爬的页面三天两头变样子,原来是 lxml+etree+xpath 定位元素,提取 herf,herf 的 text() 现在变化的情况,也许这种方式不好维护,
请问各位高手,有没有现成的轮子或者思路,对整个页面的超链接进行提取成[('urltext_1',url1),('urltext_2',url2)],类似这样的?
也许对 urltext 做个匹配合适的目标就好了,忽然觉得做这事情,没必要把事情复杂化。。。

2678 次点击
所在节点    Python
17 条回复
siknet
2019-06-20 01:06:27 +08:00
你都说了三天两头变。。。不是一小时一变就应该知足了
nicevar
2019-06-20 07:33:49 +08:00
现成的轮子一大堆,你去 github 上搜一下就行了, 但是现成的轮子做的都比较复杂,你光学会用的时间都能用 python 的 scrapy 库写一个满足你这种简单需求的了
jorneyr
2019-06-20 07:54:37 +08:00
Jsou 解析 html 很方便,可以使用选择器,一次提取出所有的 a 标签。
XxxxD
2019-06-20 09:23:14 +08:00
光提取超链接和文字的话,用 re 也可以啊,但是你不好判断哪些是你需要的,哪些是不需要的
cominghome
2019-06-20 09:44:02 +08:00
爬虫是持久战,看是他们前端先倒下还是爬虫工程师先倒下,在这之前,斗争都将持续
zarte
2019-06-20 09:46:23 +08:00
xpth 直接获取 a 标签?
shuizhengqi
2019-06-20 09:47:47 +08:00
还不如有没有现成的工具能直接帮你完成功能,然后数据落库
lixuda
2019-06-20 09:56:04 +08:00
@jorneyr python 也有这样库?
Northxw
2019-06-20 10:03:44 +08:00
re
Threeinchtime
2019-06-20 10:19:15 +08:00
diffbot
了解一下,不便宜
ben1024
2019-06-20 10:23:06 +08:00
用 PHP 写了一个

links.php
```
<?php
require __DIR__ . '/vendor/autoload.php';

global $base_uri, $wait_replace_imgs;
$base_uri = 'https://www.v2ex.com';
$t1 = microtime(true);
try {
set_time_limit(1800);
ini_set("max_execution_time", 1800);
ini_set('memory_limit', '512M');
$html_node = file_get_contents($base_uri);
$crawler = new \Symfony\Component\DomCrawler\Crawler($html_node, $base_uri);
$links = $crawler->filter('a')->links();
foreach ($links as $link) {
$temp_links[] = ['url' => $link->getUri(), 'text' => $link->getNode()->textContent];
}
file_put_contents('links.txt', json_encode($temp_links, JSON_UNESCAPED_UNICODE));
echo 'success<br/>';
$t2 = microtime(true);
echo 'time consuming ' . round($t2 - $t1, 3) . ' s' . PHP_EOL;
} catch (Exception $exception) {
echo $exception->getCode() . ', message:' . $exception->getMessage();
}
```
部分效果
```
[
{
"url": "https:\/\/www.v2ex.com\/t\/575511",
"text": "写代码的时候没有思路 不知道如何写起,请教如何培养训练编程思路 谢谢!"
},
{
"url": "https:\/\/www.v2ex.com\/member\/fanmouji",
"text": ""
},
{
"url": "https:\/\/www.v2ex.com\/t\/575397",
"text": "JD 的 618 是不是走走过场?"
}
]
```
项目地址
https://github.com/MasterCloner/Cornerstone
shawndev
2019-06-20 10:23:51 +08:00
Distill Web Monitor
kppwp
2019-06-20 10:28:48 +08:00
@lixuda 支持这种功能的选择器应该是最低要求。
leopku
2019-06-20 10:33:56 +08:00
推荐一下 https://github.com/MontFerret/ferret
自写代码部分是 DSL,很简单的几行就行,改起来自然更简单更快

框架本身是 go 的,运行效率没得说
Takamine
2019-06-20 11:17:05 +08:00
度一下,keywords: 爬虫 采集工具。
tikazyq
2019-06-20 11:36:30 +08:00
可以试试 Crawlab 的自动提取字段功能,成功率大概在 50-70%

https://github.com/tikazyq/crawlab

文章: https://juejin.im/post/5cf4a7fa5188254c5879facd
dsg001
2019-06-20 17:52:53 +08:00
xpath 没写好吧,难道每天换主题?否则大改 css 怎么解决?

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/575659

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX