python爬虫入门--爬取百度百科10000条记录

来源：互联网发布：冷库软件编辑：程序博客网时间：2024/05/16 17:42

一：前言

本文代码基于python2.7,安装Requests和BeautifulSoup以及bs4库

源代码托管在本人github：https://github.com/Wuchenwcf/MyCode/tree/master/python/%E5%9F%BA%E7%A1%80%E7%88%AC%E8%99%AB

二、系统设计

系统包括一下几个模块：

1.爬虫调度器主要负责统筹等其他四个模块的协调工作

2.URL管理器负责管理URL链接，维护已经爬取的URL集合和未爬取的URL集合，提供获取新URL连

3.HTML 下载器用于从URL管理器中获取未被爬取的URL连接并下载HTML网页

4.HTML解析器用于从下载的HTML下载器中获取的已经下载的HTML网页，并从中解析出新的URL连接交给URL管理器，解析出有效数据交给数据存储器。

5.数据存储器用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来。

程序流程图如下：

三：代码

1.URL管理器，UrlManager.py

# coding:utf-8class UrlManager(object):    def __init__(self):        self.new_urls=set() # 未爬取URL集合        self.old_urls=set() # 已爬取URL集合    def has_new_url(self):        """        判断是否有未爬取的        :return:        """        return self.new_urls_size()!=0    def get_new_url(self):        """        获取一个未爬取的        :return:        """        new_url=self.new_urls.pop()        self.old_urls.add(new_url)        return new_url    def add_new_url(self,url):        """        将新的URL添加到未爬取的URL集合中        :param url:单个URL        :return:        """        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):        """        将新的URL添加到未爬取的URL集合中        :param urls:URL集合        :return:        """        if urls is None or len(urls)==0:            return        for url in urls:            self.add_new_url(url)    def new_urls_size(self):        """        获取未爬取URL集合的大小        :return:        """        return len(self.new_urls)    def old_url_size(self):        """        获取已经爬取URL集合的大小        :return:        """        return len(self.old_urls)

2.HTML下载器，HtmlDownloader.py

# coding:utf-8import requestsclass HtmlDownloader(object):    def dowload(self,url):        if url is None:            return None        user_agent='Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'        headers={'User-Agent':user_agent}        r=requests.get(url,headers=headers)        if r.status_code==200:            r.encoding='utf-8'            return r.text        return

3.HTML 解析器，HtmlParser.py

# coding:utf-8import reimport urlparsefrom bs4 import BeautifulSoupclass HtmlParser(object):    def parser(self,page_url,html_cont):        """        用于解析网页内容，抽取URL和数据        :param page_url: 下载页面的URL        :param html_cont: 下载的网页内容        :return: 返回URL和数据        """        if page_url is None or html_cont is None:            return        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    def _get_new_urls(self,page_url,soup):        """        抽取新的URL集合        :param page_url:        :param soup:        :return:        """        new_urls=set()        # 抽取符合要求的a标记        links=soup.find_all('a',href = re.compile('/item/'))        for link in links:            # 提取href属性            new_url=link['href']            # 拼接成完整网址            new_full_url = urlparse.urljoin(page_url,new_url)            # print new_full_url            new_urls.add(new_full_url)        return new_urls    def _get_new_data(self,page_url,soup):        """        抽取有效数据        :param page_url:下载页面的URL        :param soup:        :return: 返回有效数据        """        data={}        data['url']=page_url        title=soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')        data['title']=title.get_text()        summary=soup.find('div',class_='lemma-summary')        # 获取tag中包含的所有文本内容，包括子孙tag中的内容，并将结果作为Unicode字符串返回        data['summary']=summary.get_text()        return data

4.数据存储器 DataOutput.py

# coding:utf-8import codecsclass DataOutput(object):    def __init__(self):        self.datas=[]    def store_data(self,data):        if data is None:            return        self.datas.append(data)    def output_html(self):        fout=codecs.open('baike.html','w',encoding='utf-8')        fout.write("<html>")        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>")            self.datas.remove(data)        fout.write("</table>")        fout.write("</body>")        fout.write("</html>")        fout.close()

5.爬虫调度器 SpiderMan.py

# coding:utf-8from DataOutput import DataOutputfrom HtmlParser import  HtmlParserfrom HtmlDownloader import HtmlDownloaderfrom UrlManager import UrlManagerimport sysreload(sys)#可以让输出部乱码sys.setdefaultencoding('utf8')class SpiderMan(object):    def __init__(self):        self.manager = UrlManager()        self.downloader = HtmlDownloader()        self.parser = HtmlParser()        self.output = DataOutput()    def crawl(self,root_url):        # 添加入口URL        self.manager.add_new_url(root_url)        #判断url管理器中是否有新的url，同时判断抓取饿多少个url        while(self.manager.has_new_url() and self.manager.old_url_size()<10000):            try:                # 从URL管理器中获取新的url                new_url=self.manager.get_new_url()                # HTML下载器下载网页                html=self.downloader.dowload(new_url)                """                with open(r"%s.html"%self.manager.old_url_size(), 'wb') as f:                    f.write(html)                    f.flush()                                """                # HTML解析器抽取网页数据                new_urls,data = self.parser.parser(new_url,html)                # 将抽取的url添加到url管理器中                self.manager.add_new_urls(new_urls)                # 数据存储器存储文件                self.output.store_data(data)                print "已经抓取%s个连接"%self.manager.old_url_size()            except Exception ,e:                print  e                print "crawl failed"            #数据存储器将文件输出成指定格式        self.output.output_html()if __name__=="__main__":    spider_man=SpiderMan()    spider_man.crawl("https://baike.baidu.com/item/Python")

阅读全文

0 0