第一个python爬虫（python3爬取百度百科1000个页面）

以下内容参考自：http://www.imooc.com/learn/563

一、爬虫简介

爬虫：一段自动抓取互联网信息的程序

爬虫可以从一个url出发，访问其所关联的所有的url。并从每个url指向的网页中，获取我们所需要的信息。

二、简单爬虫架构 

1.Python简单爬虫架构

（1）爬虫调度端：启动爬虫、停止爬虫、监视爬虫的运行情况。

（2）在爬虫程序中，有三个模块：

1）Url管理器：管理将要爬取的url和已经爬取的url。将待爬取的url传送给网页下载器。2）网页下载器：将Url指定的网页下载下来，保存为一个字符串。将这个字符串传送给网页解析器进行解析。3）网页解析器：一方面，会解释出有价值的数据；另一方面，解析出字符串中的url，将其补充到url管理器。这三个模块，形成了一个循环。只有有未爬取的url，这个循环就会一直继续下去。

2.Python简单爬虫架构的动态运行流程

三、分别讲解各模块设计思路

1.URL管理器

作用：管理待抓取URL集合和已抓取URL集合

目的：防止重复抓取、防止循环抓取

实现方式：

在这里，我们选用Python的set()来实现小型的url管理器

2.网页下载器

作用：将互联网上URL对应的网页下载到本地的工具

工作流程：

实现方式：

3.网页解析器
作用：从网页中提取有价值的数据
从下载好的html网页或者字符串中，可以提取出url、有价值的数据。
类型：正则表达式、html.parser、BeautifulSoup、lxml
其中，BeautifulSoup这个第三方插件可以使用html.parser和lxml作为它的解析器。
其中，正则表达式是模糊匹配，另外三种则是结构化的解析。
附，结构化解析：
四、实战：使用Python爬虫抓取百度百科的1000个页面
1.分析目标
目标：百度百科Python词条相关词条网页-标题和简介
入口页：http://baike.baidu.com/view/21087.htm
URL格式：
--词条页面URL:/view/21087.htm
数据格式：
--标题：<dd class="lemmaWgt-lemmaTitle-title"><h1>***</h1></dd>
--简介：<div class="lemma-summary" label-module="lemmaSummary">***</div>
页面编码：UTF-8
2.调度程序
程序目录：
spider_main.py

from baike_spider import html_downloaderfrom baike_spider import html_parserfrom baike_spider import html_outputerclass SpiderMain(object):    def __init__(self):        self.urls = url_manager.UrlManager()        self.downloader = html_downloader.HtmlDownloader()        self.parser = html_parser.HtmlParser()        self.outputer = html_outputer.HtmlOutputer()    def craw(self, root_url):        count = 1        self.urls.add_new_url(root_url)        while self.urls.has_new_url():            try:                new_url = self.urls.get_new_url()                print("craw %d : %s" %(count, new_url))                html_cont = self.downloader.download(new_url)                new_urls, new_data = self.parser.paser(new_url, html_cont)                self.urls.add_new_urls(new_urls)                self.outputer.collect_data(new_data)                if count == 1000:                    break                count = count + 1            except:                print('craw failed')        self.outputer.output_html()if __name__ == '__main__':    root_url = "https://baike.baidu.com/item/Python"    obj_spider = SpiderMain()    obj_spider.craw(root_url)
html_download.py
import urllib.requestclass HtmlDownloader(object):    def download(self, url):        if url is None:            return None        response = urllib.request.urlopen(url)        if response.getcode() != 200:            return None        return response.read()
url_manager.py
class UrlManager(object):    def __init__(self):        self.new_urls = set()        self.old_urls = set()    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)    def add_new_urls(self, urls):        if urls is None or len(urls) == 0:            return        for url in urls:            self.add_new_url(url)    def has_new_url(self):        return len(self.new_urls) != 0    def get_new_url(self):        new_url = self.new_urls.pop()        self.old_urls.add(new_url)        return new_url
html_parser.py
from bs4 import BeautifulSoupimport reimport urllib.parseclass HtmlParser(object):    def _get_new_urls(self, page_url, soup):        new_urls = set()        links = soup.find_all('a', href=re.compile(r'/item/'))        for link in links:            new_url = link['href']            new_full_url = urllib.parse.urljoin(page_url, new_url)            new_urls.add(new_full_url)        return new_urls    def _get_new_data(self, page_url, soup):        res_data = {}        # url        res_data['url'] = page_url        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')        res_data['title'] = title_node.get_text()        # lemma-summary        summary_node = soup.find('div', class_="lemma-summary")        res_data['summary'] = summary_node.get_text()        return res_data    def paser(self, page_url, html_cont):        if page_url is None or html_cont is None:            return        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')        new_urls = self._get_new_urls(page_url, soup)        new_data = self._get_new_data(page_url, soup)        return new_urls, new_data
html_outputer.py
class HtmlOutputer(object):    def __init__(self):        self.datas = []    def collect_data(self, data):        if data is None:            return        self.datas.append(data)    def output_html(self):        fout = open('output.html', 'w', encoding="utf-8")        fout.write("<html>")        fout.write("<head><meta http-equiv=\"content-type\" content=\"text/html;charset=utf-8\"></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'])            fout.write("</tr>")        fout.write("</table>")        fout.write("</body>")        fout.write("</html>")        fout.close()


运行结果如下

还会生成一个html记录文件

项目github地址：https://github.com/oldbig-carry/python_baidu_spider