Python爬虫进阶：并发爬取网站内容并保存

这篇博客将带你学习如何使用Python编写一个更强大的网络爬虫，它能够并发地爬取网站内容，并提取关键信息保存到本地文件。

以下是代码示例：

import requests
from bs4 import BeautifulSoup
import configparser
import concurrent.futures
import logging

def login(session, url, username, password):
    # 发送GET请求，获取登录页面的HTML内容
    response = session.get(url)
    response.raise_for_status()

    # 解析登录页面的HTML内容
    soup = BeautifulSoup(response.content, 'html.parser')

    # 获取登录表单的POST地址和对应的表单数据
    login_form = soup.find('form', id='loginForm')
    action = login_form['action']
    inputs = login_form.find_all('input')
    form_data = {input.get('name'): input.get('value') for input in inputs}

    # 更新表单数据中的用户名和密码字段
    form_data['username'] = username
    form_data['password'] = password

    # 发送POST请求进行登录
    response = session.post(url + action, data=form_data)
    response.raise_for_status()

    if '登录失败' in response.text:
        logging.error('登录失败')
        return False

    return True

def crawl_website(session, url):
    try:
        # 发送HTTP请求，获取网页内容
        response = session.get(url)
        response.raise_for_status()  # 检查请求是否成功

        # 解析HTML内容
        soup = BeautifulSoup(response.content, 'html.parser')

        # 爬取网站标题
        title = soup.title.text.strip() if soup.title else None

        # 爬取网站链接
        links = [link['href'] for link in soup.find_all('a', href=True)]

        # 爬取网站内容
        content = soup.find('div', class_='content').get_text(strip=True) if soup.find('div', class_='content') else None

        return {
            'url': url,
            'title': title,
            'links': links,
            'content': content
        }

    except requests.exceptions.RequestException as e:
        logging.error('请求异常: %s', e)
    except Exception as e:
        logging.error('发生异常: %s', e)

    return None

def save_data(data, filename):
    # 将爬取的数据保存到文件
    with open(filename, 'w', encoding='utf-8') as file:
        file.write(f'网站 {data['url']} 的标题: {data.get('title', '未找到')}
')
        file.write('网站链接:
')
        for link in data.get('links', []):
            file.write(f'{link}
')
        file.write(f'网站 {data['url']} 的内容:
{data.get('content', '未找到')}')

def main():
    # 配置日志记录
    logging.basicConfig(filename='web_crawler.log', level=logging.ERROR, format='%(asctime)s - %(levelname)s - %(message)s')

    # 读取配置文件
    config = configparser.ConfigParser()
    config.read('config.ini')
    url = config.get('Website', 'URL')
    username = config.get('Login', 'Username')
    password = config.get('Login', 'Password')

    # 创建会话对象
    with requests.Session() as session:
        # 登录
        if login(session, url, username, password):
            # 并发爬取多个网页
            urls = [url + f'?page={i}' for i in range(1, 6)]

            with concurrent.futures.ThreadPoolExecutor() as executor:
                # 使用列表推导式，同时执行多个爬取任务
                results = [executor.submit(crawl_website, session, url) for url in urls]

            for future, url in zip(concurrent.futures.as_completed(results), urls):
                result = future.result()

                if result:
                    # 输出网站标题
                    print(f'网站 {result['url']} 的标题:', result.get('title', '未找到'))

                    # 输出网站链接
                    print(f'网站 {result['url']} 的链接:')
                    if result['links']:
                        for link in result['links']:
                            print(link)
                    else:
                        print('未找到网站链接')

                    # 输出网站内容
                    print(f'网站 {result['url']} 的内容:')
                    if result['content']:
                        print(result['content'])
                    else:
                        print('未找到网站内容')

                    # 将数据保存到文件
                    save_filename = f'web_crawler_{result['url'].split('=')[-1]}.txt'
                    save_data(result, save_filename)
                    print(f'数据已保存到文件 {save_filename}')
                    print('--------------------')

        else:
            logging.error('登录失败')

if __name__ == '__main__':
    main()

代码改进点：

并发爬取: 使用 concurrent.futures.ThreadPoolExecutor 实现并发，提高爬取效率。
数据保存: 将爬取到的标题、链接、内容等信息保存到本地文件中，方便后续分析和使用。
错误处理: 使用 try-except 块捕获网络请求和数据处理过程中可能出现的异常，增强代码健壮性。
日志记录: 使用 logging 模块记录程序运行过程中的错误信息，方便排查问题。

进一步改进：

数据存储: 可以考虑使用数据库 (如 SQLite、MySQL) 存储爬取的数据，以便更方便地进行管理和查询。
反爬机制: 一些网站可能会采取反爬机制，需要根据实际情况添加相应的应对措施，例如设置请求头、随机延迟等。
代码结构: 随着功能的增加，可以考虑将代码模块化，提高代码的可读性和可维护性。

希望这篇文章能够帮助你更好地理解如何使用 Python 编写网络爬虫。 Happy coding!