Skip to content

爬蟲極簡教學(fetch, parse, search, multiprocessing, API)- PTT 為例

Notifications You must be signed in to change notification settings

leVirve/CrawlerTutorial

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

48 Commits
 
 
 
 
 
 
 
 
 
 

Repository files navigation

爬蟲教學 CrawlerTutorial

什麼是網頁爬蟲?

當我們在網路上瀏覽時,常常會看到各式各樣感興趣的內容,例如新聞、商品、影片、圖片等等。但若是想從這些網頁中蒐集大量特定的資訊,手動操作就顯得費時費力。

這時,網頁爬蟲(Web Crawler)就派上用場了!簡單來說,網頁爬蟲就是可以模仿人類瀏覽器行為,自動抓取網頁資訊的程式。利用這種程式的自動化能力,我們可以輕鬆地從網站上「爬取」我們感興趣的資料,再把這些資料儲存下來以供日後分析使用。

網頁爬蟲的運作方式通常是先向目標網站發送 HTTP 請求,接著取得該網站回應的 HTML 並解析頁面中的內容,再將有用的資料取出來。例如,我們想要收集 PTT 八卦版上的文章標題、作者、時間等資訊,就可以使用網頁爬蟲的技術,自動化抓取這些資訊並儲存下來。這樣一來就可以不用手動瀏覽網站,就能取得所需的資訊。

網頁爬蟲有很多實際的應用,例如:

  • 從網站中抓取新聞文章、商品評論或餐廳評分等。
  • 從社交媒體上收集特定話題的資訊。
  • 追蹤產品的價格變化。

當然,在使用網頁爬蟲時,我們需要遵守網站的使用條款及隱私政策,不可以違反網站的規定進行資訊抓取。同時,為了保障網站的正常運作,我們也需要設計適當的爬取策略,避免對網站造成過大的負荷。

實例教學 - PTT 批踢踢

環境安裝

本教學範例使用 Python3 並且會使用 pip 來安裝所需的套件。以下是需要安裝的套件:

  • requests:用於發送與接收 HTTP 請求及回應。
  • requests_html:用於分析和抓取 HTML 中的元素。
  • rich:讓資訊精美地輸出到 console,例如顯示美觀的表格。
  • lxmlPyQuery:用於解析 HTML 中的元素。
    • PyQuery 簡單易用,且解析速度比 BeautifulSoup 更快!只要熟悉 CSS selector 語法,就可以輕鬆上手。
    • lxml 解析速度非常快,但需要先熟悉 xpath 語法,不過也不難學習。

使用以下指令來安裝這些套件:

pip install requests requests_html rich lxml PyQuery

基礎篇

在基礎篇中,會簡單介紹如何從 PTT 網頁上收集資料,例如文章標題、作者和時間等。

以下用 PTT 的看版文章作為我們的爬蟲目標囉!

第一步:所見即所抓,但都是純文字

在進行網頁爬蟲時,我們使用 requests.get() 函式來模擬瀏覽器發送 HTTP GET 請求來「瀏覽」網頁。這個函式會返回一個 requests.Response 物件,其中包含了網頁的回應內容。然而,需要注意的是,這個內容是以純文字的原始碼形式呈現,沒有經過瀏覽器的渲染。我們可以透過 response.text 屬性來取得。

import requests

# 發送 HTTP GET 請求並獲取網頁內容
url = 'https://www.ptt.cc/bbs/Gossiping/index.html'
response = requests.get(url)
print(response.text)

ptt_page_view

在後續使用中我們會需要用到 requests_html 來擴增 requests 除了能像瀏覽器一樣瀏覽,也需要解析 HTML 網頁,requests_html 會將純文字的 response.text 原始碼包進 requests_html.HTML 方便後面的使用。改寫也非常簡單使用 session.get() 來替代上述的 requests.get()

from requests_html import HTMLSession

# 建立 HTML 會話
session = HTMLSession()
# 發送 HTTP GET 請求並獲取網頁內容
response = session.get(url)
print(response.text)

然而,當我們嘗試套用這個方法到八卦版 (Gossiping) 時,可能會遇到錯誤。這是因為在第一次瀏覽八卦版時,網站會確認年齡是否已滿十八歲;當我們點擊確認後,瀏覽器會記錄相應的 cookies,使得下次再次進入時就不會再次詢問(你可以試著使用無痕模式打開測試看看八卦版首頁)。然而,對於網頁爬蟲來說,我們需要把該筆特殊的 cookies 記錄下來,這樣在瀏覽時就能假裝已通過十八歲的測試。

import requests

url = 'https://www.ptt.cc/bbs/Gossiping/index.html'
session = HTMLSession()
session.cookies.set('over18', '1')  # 向網站回答滿 18 歲了 !

# 發送 HTTP GET 請求並獲取網頁內容
response = session.get(url)
print(response.text)

第二步:像瀏覽器一樣解析獲取的文字

接下來,我們可以使用 response.html.find() 方法來進行元素的定位,並使用 CSS 選擇器來指定目標元素。在這個步驟中,我們可以觀察到在 PTT 網頁版中,每篇文章的標題訊息都位於具有 r-ent 類別的 div 標籤中。因此,我們可以使用 CSS 選擇器 div.r-ent 來定位這些元素。

ptt_console_view

使用 response.html.find() 方法會回傳一個符合條件的元素列表,所以我們可以使用 for 迴圈來逐個處理這些元素。在每個元素內部,我們可以使用 element.find() 方法來進一步解析元素,並使用 CSS 選擇器來指定要提取的資訊。在這個範例中,我們可以使用 CSS 選擇器 div.title 來定位標題元素。同樣地,我們可以使用 element.text 屬性來獲取元素的文字內容。

以下是使用 requests_html 的範例程式碼:

from requests_html import HTMLSession

# 建立 HTML 會話
session = HTMLSession()
session.cookies.set('over18', '1')  # 向網站回答滿 18 歲了 !
# 發送 HTTP GET 請求並獲取網頁內容
response = session.get(url)

# 使用 CSS 選擇器定位目標元素
elements = response.html.find('div.r-ent')
for element in elements:
    # 提取資訊...

第三步:讓我們來看看這些標題訊息吧

在前一步驟中,我們使用了 response.html.find() 方法來定位每個文章的元素。這些元素是以 div.r-ent 的 CSS 選擇器定位到的。 你可以使用開發者工具 (Developer Tools) 功能來觀察網頁的元素結構。打開網頁後按下 F12 鍵,將顯示一個開發者工具面板,其中包含了網頁的 HTML 結構和其他資訊。

ptt_source_tree

使用開發者工具,你可以使用滑鼠指標在網頁上選擇特定的元素,然後在開發者工具面板中查看該元素的 HTML 結構、CSS 屬性等詳細資訊。這樣可以幫助你確定要定位的元素和相應的 CSS 選擇器。 另外,或許會發現怎麼程式有時候會出錯啊?!看看網頁版發現原來當該頁面中有文章被刪除時,網頁上的 <本文已被刪除> 這個元素的原始碼 結構 和原本不一樣哇!所以我們可以進一步強化來處理文章被刪除的情況。

現在,讓我們回到使用 requests_html 進行資訊提取的範例程式碼:

import re

# 使用 CSS 選擇器定位目標元素
elements = response.html.find('div.r-ent')

# 逐個處理每個元素
for element in elements:
    # 可能會遇上文章已刪除的狀況,所以用例外處理 try-catch 包起來
    try:
        push = element.find('.nrec', first=True).text  # 推文數
        mark = element.find('.mark', first=True).text  # 標記
        title = element.find('.title', first=True).text  # 標題
        author = element.find('.meta > .author', first=True).text  # 作者
        date = element.find('.meta > .date', first=True).text  # 發文日期
        link = element.find('.title > a', first=True).attrs['href']  # 文章網址
    except AttributeError:
        # 處理已經刪除的文章資訊
        if '(本文已被刪除)' in title:
            # e.g., "(本文已被刪除) [haudai]"
            match_author = re.search('\[(\w*)\]', title)
            if match_author:
                author = match_author.group(1)
        elif re.search('已被\w*刪除', title):
            # e.g., "(已被cappa刪除) <edisonchu> op"
            match_author = re.search('\<(\w*)\>', title)
            if match_author:
                author = match_author.group(1)

    print('推文數:', push)
    print('標記:', mark)
    print('標題:', title)
    print('作者:', author)
    print('發文日期:', date)
    print('文章網址:', link)
    print('---')

輸出文字處理:

這邊我們可以利用 rich 顯示精美的輸出,首先建立起 rich 的表格物件,然後將上述範例程式碼迴圈中的 print 替換成 add_row 到表格。最後,我們使用 richprint 函式才能正確將表格輸出到終端。

執行結果

import rich
import rich.table

# 建立 `rich` 表格物件,設定不顯示表頭
table = rich.table.Table(show_header=False)

# 逐個處理每個元素
for element in elements:
    ...
    # 將每個結果新增到表格中
    table.add_row(push, title, date, author)

# 使用 rich 套件的 print 函式輸出表格
rich.print(table)

step4_result_rich_table

第四步:現在資料分析時代

現在,我們將使用「觀察法」來找出上一頁的連結。不,我不是指問你瀏覽器上的按鈕在哪裡,而是要看開發者工具中的「source tree」。我相信你已經發現了,關於頁面跳轉的超連結位於 <div class="action-bar"><a class="btn wide"> 元素中。因此,我們可以像這樣提取它們:

# 控制頁面選項: 最舊/上頁/下頁/最新
controls = response.html.find('.action-bar a.btn.wide')

source_page_control

而我們需要的是「上頁」的功能,為什麼呢?因為 PTT 是最新的文章顯示在前面啊~所以要挖資料必須往前翻。

那怎麼使用呢?先去抓出 control 中第二個(index 為 1)的 href,然後他可能長這樣 /bbs/movie/index3237.html;而完整的網址 (URL) 必須要有 https://www.ptt.cc/ (domain url) 開頭,所以用 urljoin() (或是字串直接相接) 把 Movie 首頁連結和新的 link 比對合併成完整的 URL!

import urllib.parse

def parse_next_link(controls):
    link = controls[1].attrs['href']
    next_page_url = urllib.parse.urljoin('https://www.ptt.cc/', link)
    return next_page_url

現在我們將函式重新整理一下方便後續說明,讓 第三步:讓我們來看看這些標題訊息吧 中處理每個文章元素的範例變成獨立的函式 parse_article_entries(elements)

# 解析該頁文章列表中的元素
def parse_article_entries(elements):
    results = []
    for element in elements:
        try:
            push = element.find('.nrec', first=True).text
            mark = element.find('.mark', first=True).text
            title = element.find('.title', first=True).text
            author = element.find('.meta > .author', first=True).text
            date = element.find('.meta > .date', first=True).text
            link = element.find('.title > a', first=True).attrs['href']
        except AttributeError:
            # 處理文章被刪除的情況
            if '(本文已被刪除)' in title:
                match_author = re.search('\[(\w*)\]', title)
                if match_author:
                    author = match_author.group(1)
            elif re.search('已被\w*刪除', title):
                match_author = re.search('\<(\w*)\>', title)
                if match_author:
                    author = match_author.group(1)
        # 將解析結果加到回傳的列表中
        results.append({'push': push, 'mark': mark, 'title': title,
                        'author': author, 'date': date, 'link': link})
    return results

接下來,我們就可以處理多頁內容

# 起始首頁
url = 'https://www.ptt.cc/bbs/movie/index.html'
# 想要收集的頁數
num_page = 10

for page in range(num_page):
    # 發送 GET 請求並獲取網頁內容
    response = session.get(url)
    # 解析文章列表的元素
    results = parse_article_entries(elements=response.html.find('div.r-ent'))
    # 解析下一個連結
    next_page_url = parse_next_link(controls=response.html.find('.action-bar a.btn.wide'))

    # 建立表格物件
    table = rich.table.Table(show_header=False, width=120)
    for result in results:
        table.add_row(*list(result.values()))
    # 輸出表格
    rich.print(table)

    # 更新下面一位 URL~
    url = next_page_url

輸出結果:

step4_result_rich_table

第五步:加油好嗎,能不能爬快點

取得文章列表資訊後,再來就是取得文章(PO 文)內容(post content)了! 在 metadata 中的 link 就是每篇文章的連結,同樣使用 urllib.parse.urljoin 串接出完整網址之後發出 HTTP GET 來取得該篇文章的內容。 我們可以觀察到去抓每篇文章內容的任務是高度重複性的,很適合使用平行化的方法來處理。

在 Python 中,可以使用 multiprocessing.Pool 來做 high-level 的 multiprocessing programming~這是 Python 中使用 multi-process 最簡便的方法!非常適合這種 SIMD (Single Instruction Multiple Data) 的應用場景。使用 with statement 語法讓使用完之後將 process 資源自動釋放。而 ProcessPool 的用法也很簡單,pool.map(function, items),有點像 functional programming 的概念,將 function 套用在每一個 item 上,最後得出跟 items 一樣數量的結果列表。

使用在前面介紹的抓取文章內容的任務上:

from multiprocessing import Pool

def get_posts(post_links):
    with Pool(processes=8) as pool:
        # 建立 processes pool 並指定 processes 數量為 8
        # pool 中的 processes 將用於同時發送多個 HTTP GET 請求,以獲取文章內容

        responses = pool.map(session.get, post_links)
        # 使用 pool.map() 方法在每個 process 上都使用 session.get(),並傳入文章連結列表 post_links 作為參數
        # 每個 process 將獨立地發送一個 HTTP GET 請求取得相應的文章內容

        return responses

response = session.get(url)
# 解析文章列表的元素
metadata = parse_article_entries(elements=response.html.find('div.r-ent'))
# 解析下一頁的連結
next_page_url = parse_next_link(controls=response.html.find('.action-bar a.btn.wide'))
# 一串文章的 URL
post_links = [urllib.parse.urljoin(url, meta['link']) for meta in metadata]

results = get_posts(post_links)  # list(requests_html.HTML)
rich.print(results)
import time

if __name__ == '__main__':
    post_links = [...]
    ...
    start_time = time.time()
    results = get_posts(post_links)
    print(f'花費: {time.time() - start_time:.6f}秒,共 {len(results)} 篇文章')

附上實驗實測結果:

# with 1-process
花費: 15.686177秒,共 202 篇文章

# with 8-process
花費: 3.401658秒,共 202 篇文章

可以看出整體執行速度加速了將近五倍,但並不一定 Process 越多越好,除了必須看 CPU 等硬體規格,主要還是取決於網卡、網速等外部裝置的限制。

上面的程式碼都可以在 (src/basic_crawler.py) 中可以找到!

進階篇 - PTT 搜尋功能

PTT Web 新功能:搜尋! 終於可以在網頁版使用了

一樣使用 PTT 的電影版作為我們的爬蟲目標囉!在新版功能中可以搜尋的內容包含,

  • 標題關鍵字 (title keywords)
  • 相同標題文章 (thread title)
  • 同作者文章 (author)
  • 推文數多的文章 (recommend)

前三者都可以從新版的頁面原始碼及送出請求發現規則,不過推文數搜尋似乎還沒有在網頁版 UI 介面中出現;所以這邊是筆者從 PTT 網站原始碼 中挖掘出來的參數。平常我們瀏覽的 PTT 其實包含 BBS server (就是 BBS),以及前台的 Web server (網頁版),而前台的 Web server 是用 Go 語言 (Golang) 寫的,可以直接存取後端 BBS 資料,並且以一般網站互動模式將內容渲染成網頁形式供瀏覽。

那其實要使用這些新功能非常簡單,只需要透過 HTTP GET 形式的 request 並且加上標準的 query string 方式就能獲得這些資訊。提供搜尋功能的 endpoint URL 為 /bbs/{看板名稱}/search,只要用對應的 query 即可從這邊獲得搜尋結果。首先以標題關鍵字為例,

從圖片中右下角可以看出,在搜尋時其實是對 endpoint 送出 q=三GET 請求,所以整個完整的 URL 應該像是 https://www.ptt.cc/bbs/movie/search?q=三,不過從網址列複製下來的網址可能會是 https://www.ptt.cc/bbs/movie/search?q=%E4%B8%89 這樣的形式,是因為中文被 HTML encode 過了但代表的是相同意思。而在 requests 中,想要增加額外的 query 參數不用自己手動建構字串形式,只要透過 param= 的 dict() 放到函式參數即可,就像是這樣:

search_endpoint_url = 'https://www.ptt.cc/bbs/movie/search'

resp = requests.get(search_endpoint_url, params={'q': '三'})

在搜尋相同文章 (thread) 時,可以由右下角資訊看出,其實就是將 thread: 這個字串串到標題前面後送出查詢。

resp = requests.get(search_endpoint_url, params={'q': 'thread:[ 好雷]  死侍2的各種彩蛋討論'})

在搜尋相同作者文章 (author) 時,同樣由右下角資訊看出是將 author: 這個字串串上作者名字後送出查詢。

resp = requests.get(search_endpoint_url, params={'q': 'author:rogerwang86'})

在搜尋推文數大於多少 (recommend) 的文章時,就是將 recommend: 這個字串串上希望搜尋到的最低推文數後送出查詢。另外可以從 PTT Web server 原始碼中發現推文數只能設定在 ±100 間。

resp = requests.get(search_endpoint_url, params={'q': 'recommend:50'})
  • PTT Web parsing 這些參數的 function 原始碼

另外值得一提的是,搜尋結果最後的呈現也跟基礎篇裡提到的一般版面相同,所以可以直接將前面的 function 再拿來重複利用,Don't do it again!

resp = requests.get(search_endpoint_url, params={'q': 'recommend:50'})

post_entries = parse_article_entries(resp.text)  # [沿用]
metadata = [parse_article_meta(entry) for entry in post_entries]  # [沿用]

在搜尋中有另一個參數,頁數 page 就跟 Google 搜尋一樣,搜尋到的東西也許有很多頁,那麼就可以透過這個額外的參數來控制要取得第幾頁結果,而不需要再去 parse 頁面上的 link。

resp = requests.get(search_endpoint_url, params={'q': 'recommend:50', 'page': 2})

撰寫自己的 API - 把 PTT 全包了

將前面所有的功能通通整合進 ptt-parser,可以提供 command-line 功能以及可程式化呼叫的 API 形式的 爬蟲

相關專案

  • dcard-spider: 透過 Dcard API 抓取/下載資料的高效能爬蟲。
  • ptt-spider: PTT 高效能爬蟲,使用 lxml 快速解析並利用 asynio/coroutines 提高效率。
  • ptt-scrapy: 使用 scrapy 穩定爬取 PTT 資料。
  • ptt-viewer: 將取得的資訊透過 Web UI 介面視覺化顯示。

創用 CC 授權條款
本著作由leVirve製作,以創用CC 姓名標示 4.0 國際 授權條款釋出。