【python学习笔记】14:开发一个简易的爬虫
来源:互联网 发布:有哪些搜索算法 编辑:程序博客网 时间:2024/05/21 19:23
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。
- 【python学习笔记】14:开发一个简易的爬虫
- python一个下载小说的简易爬虫
- Python简易的爬虫
- Python 开发简单爬虫 学习笔记1
- Python开发简单爬虫--学习笔记
- python编写的简易爬虫
- 网络爬虫学习笔记(二) 如何开发一个简单的爬虫
- Python爬虫入门笔记:一个简单的爬虫架构
- Python爬虫学习笔记
- python爬虫学习笔记
- python爬虫学习笔记
- python爬虫学习笔记
- Python 爬虫学习笔记
- python爬虫学习笔记
- Python 爬虫学习笔记
- Python学习笔记(四) -- 简单的爬虫
- python爬虫新闻的学习笔记
- Android开发学习笔记(十)实现一个简易的开场界面
- 初学安卓-安卓广播
- Spring Filter过滤器,Spring拦截未登录用户权限限制
- Swift 3.0 数组的语法小变动
- 电容参数X5R,X7R,Y5V,COG
- Flooded!
- 【python学习笔记】14:开发一个简易的爬虫
- Android常用控件七之ProgressBar的代码用法
- Android 监听屏幕锁屏(听音频,看视频)
- Word_Search
- codeforces round 22-B.the golden age
- es5.X插件headmaster的简单安装方法
- Android 6.0 运行时权限 easypermissions,permissionsdispatcher ,rxpermissions 三种不同方案的实现
- 线程池
- AngularJS之内置指令汇总