【python学习笔记】14：开发一个简易的爬虫

跟着视频学做了一个爬虫，但是却有些很烦的编码问题没能解决。

开发一个爬虫的基本步骤：

①确定抓取目标，即哪些网站的哪部分数据。

②分析目标，即抓取这些网站的策略。要分析抓取的页面的url格式，用来限定要抓取的页面的范围。要分析要抓取的数据的格式，往往是对应标签的格式。要分析页面的编码，在网页解析器这里要确定编码才能进行解析。

③编写代码：爬虫调度端、url管理器、网页下载器、网页解析器、输出器等。

④执行爬虫。

 

在一个文件夹下建立调度程序、url管理器、网页下载器、网页解析器和输出器。注意还要建立一个__init__.py文件，虽然它是空的。

 

爬虫总调度程序以一个入口的url作为参数，来爬取所有相关的页面。

*爬虫总调度程序spider_main.py

import url_manager,html_downloader,html_parser,html_outputerclass SpiderMain(object):        def __init__(self):#在构造器中初始化所需要的对象        self.urls=url_manager.UrlManager()#url管理器        self.downloader=html_downloader.HtmlDownloader()#下载器        self.parser=html_parser.HtmlParser()#解析器        self.outputer=html_outputer.HtmlOutputer()#价值数据的输出            def craw(self,root_url):        count=1#记录当前爬取的是第几个url        self.urls.add_new_url(root_url)#先将入口url给url管理器        #启动爬虫的循环        while self.urls.has_new_url():#如果管理器中还有url            try:                new_url=self.urls.get_new_url()#就从中获取一个url                print ('craw %d : %s'%(count,new_url))#打印正在爬的url                html_cont=self.downloader.download(new_url)#然后用下载器下载它                #调用解析器去解析这个页面的数据                new_urls,new_data=self.parser.parse(new_url,html_cont)                self.urls.add_new_urls(new_urls)#新得到的url补充至url管理器                self.outputer.collect_data(new_data)#收集数据                if count==30:#如果已经爬了30个直接退出                    break                count+=1            except:                print ('craw failed')#标记这个url爬取失败        self.outputer.output_html()#循环结束后输出收集好的数据                        if __name__=="__main__":    root_url="http://baike.baidu.com/item/Python"#入口url    obj_spider=SpiderMain()    obj_spider.craw(root_url)

url管理器需要维护两个集合：待爬取的url集合和爬取过的url集合。

*url管理器url_manager.py

class UrlManager(object):        def __init__(self):        self.new_urls=set()        self.old_urls=set()            #向管理器中添加一个新的url    def add_new_url(self,url):        if url is None:            return        if url not in self.new_urls and url not in self.old_urls:            self.new_urls.add(url)                #向管理器中添加多个新的url    def add_new_urls(self,urls):        if urls is None or len(urls)==0:            return        for url in urls:            self.add_new_url(url)                #判断管理器中是否还有新的待爬取的url    def has_new_url(self):        return len(self.new_urls)!=0        #从管理器中获取一个新的待爬取的url    def get_new_url(self):        new_url=self.new_urls.pop()#获取并移除        self.old_urls.add(new_url)#添加至旧的集合        return new_url

下载器只需要实现一个方法，下载一个url里的数据，这里用urllib模块。

*网页下载器html_downloader.py

import urllib.requestclass HtmlDownloader(object):        #下载一个url里的数据    def download(self,url):        if url is None:            return None        response=urllib.request.urlopen(url)#注意py2和py3不同        if response.getcode()!=200:#状态码200表示获取成功            return None        return response.read()#返回下载好的内容

网页解析器需要接收正在爬的url和下载好的页面，返回新的url集合和当前页面的解析结果(这里用了字典)。

*网页解析器html_parser.py

from bs4 import BeautifulSoupimport reimport urllib.parse#py3中urlparse在urllib中class HtmlParser(object):        #返回新的url集合    def _get_new_urls(self,page_url,soup):        new_urls=set()        #获取所有的链接，用正则匹配        links=soup.find_all('a',href=re.compile(r"/item/"))        for link in links:            new_url=link['href']#获取它的链接(不完全)            #将不完整的new_url按照page_url的格式拼成完整的            new_full_url=urllib.parse.urljoin(page_url,new_url)            new_urls.add(new_full_url)        return new_urls        #返回对soup的解析结果    def _get_new_data(self,page_url,soup):        res_data={}        #url        res_data['url']=page_url                #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>        #获取词条名(用了两次find)        title_node=soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")        #注意这里先split再做join，将\\变成了\        res_data['title']='\\'.join(title_node.get_text().split('\\\\'))#加入字典中                #<div class="lemma-summary">        #获取摘要文字        summary_node=soup.find('div',class_="lemma-summary")        #注意这里先split再做join，将\\变成了\        res_data['summary']='\\'.join(summary_node.get_text().split('\\\\'))#加入字典中                return res_data        #解析一个下载好的页面的数据，并返回新的url列表和解析结果    def parse(self,page_url,html_cont):        if page_url is None or html_cont is None:            return        #创建一个bs对象(将网页字符串html_cont加载成一棵DOM树)        soup=BeautifulSoup(html_cont,'html.parser')        new_urls=self._get_new_urls(page_url,soup)        new_data=self._get_new_data(page_url,soup)        return new_urls,new_data

输出器收集网页解析器所有解析好的数据(字典)，放到集合里，将最后整个集合输出形成一个html网页查看。

*输出器html_outputer.py

class HtmlOutputer(object):        def __init__(self):        self.datas=[]            #收集解析好的数据    def collect_data(self,data):        if data is None:            return        self.datas.append(data)        #输出所有收集好的数据    def output_html(self):        with open('output.html','w') as fout:            fout.write("<html>")            '''fout.write("<head>")            fout.write("<meta  charset=\"utf-8\">")            fout.write("</head>")'''            fout.write("<body>")            fout.write("<table>")            for data in self.datas:                fout.write("<tr>")                fout.write("<td>%s</td>"%data['url'])                fout.write("<td>%s</td>"%data['title'])                fout.write("<td>%s</td>"%data['summary'].encode('utf-8'))                fout.write("</tr>")            fout.write("</table>")            fout.write("</body>")            fout.write("</html>")            fout.close()

运行结果：

网页里的摘要文字弄了很久编码问题都没能解决。一开始标题文字也是这样，后来查了一下，python里的中文单字节编码后，整个放在其它对象(如list或者tuple)里，那么反斜杠\就会被加上一个反斜杠\表示转义，那么这里就有两个反斜杠了(在串里也就是\\)，这时候再整个输出就会变成\xe7这样的形式。解决方法，网上给出一种解决方法就是遍历刚刚说的'其它对象'，然后每次分别输出一个单字。这样做是可以的，但是对文件进行多次写效率肯定非常低，我这里用的方法是先用split('\\\\')把字符串用两个反斜杠隔开，放进list里，然后再用'\\'.join将这些串连在一起，就把两个反斜杠变成了一个。当然也可以直接用replace('\\\\','\\')。

同样的做法，标题文字解决了，摘要文字却没能解决。而且如果摘要文字write时不做encode('utf-8')会报错，我也不清楚是怎么回事，查了很多资料也没解决。

以后再回头解决这个问题吧，如果有知道的朋友可以在评论里交流一下哈。