python抓取360百科踩过的坑!
来源:互联网 发布:报价表制作软件 编辑:程序博客网 时间:2024/05/17 06:54
学习python一周,学着写了一个爬虫,用来抓取360百科的词条,在这个过程中,由于一个小小的改动,程序出现一些问题,又花了几天时间研究,问了各路高手,都没解决,最终还是自己解决了,其实就是对list列表理解不够深入导致的。这个bug很有借鉴意义,分享出现。先看看最终抓取出的结果:
下面进入正题,先来看看文件结构,这里有5个模块:
- spider_main.py是入口函数
- url_manager.py是管理器,管理需要抓取的url和已经抓取的url
- html_downloader.py是下载器,下载对应url的网页
- html_parser.py是解析器,解析出新的url列表和当前的词条信息
- html_outputer.py是输出器,将抓取的词条title和解释summary输出成一个html表格
本程序使用的是最新的python3.4.4,使用的类库有:
- 官方的urllib
- 第三方的BeautifulSoup(自行下载安装)
一、spider_main.py
这个函数是入口函数,所有方法都是字面意思,可以到对应的类中查看
from baike360_spider import url_manager, html_downloader, html_parser, 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): 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.parse(new_url, html_cont) self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) if count == 5: break count += 1 except Exception as e: print('craw failed') print(e) self.outputer.output_html()if __name__ == '__main__': root_url = 'http://baike.so.com/doc/1790119-1892991.html' obj_spider = SpiderMain() obj_spider.craw()
二、url_manager.py
管理器的作用是处理新的需要抓取的url和已经抓取的url,因此在构造函数里面初始化两个变量,对应有4个方法,功能都很简单,看看就懂。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
三、html_downloader.py
把对应的url网页下载下来,准备给解析器解析需要的数据
import urllib.requestclass HtmlDownloader(object): def download(self, url): if url is None: return res = urllib.request.urlopen(url) if res.getcode() != 200: return return res.read()
四、html_parser.py
解析器的作用是对传入的url和html网页进行解析,使用到BeautifulSoup第三方库,对应有两个私有方法,一个解析出该网页下所有的链接,存到list中,方便下次随机抽取;另一个解析出当前网页词条的title和summary,放到一个字典中,里面有3个key:url、title和summary。
在这个类里面踩了一个大坑,最后再讲!
import refrom urllib.parse import urljoinfrom bs4 import BeautifulSoupclass HtmlParser(object): def __init__(self): self.new_urls = set() # self.res_data = dict() def _get_new_urls(self, page_url, soup): # new_urls = set() # /doc/5912108-6125016.html或/doc/3745498.html links = soup.find_all('a', href=re.compile(r'/doc/[\d-]+\.html')) for link in links: new_url = link['href'] new_full_url = urljoin(page_url, new_url) # print(new_full_url) self.new_urls.add(new_full_url) return self.new_urls def _get_new_data(self, page_url, soup): res_data = dict() # url res_data['url'] = page_url # <span class="title">Python</span> title_node = soup.find('span', class_='title') res_data['title'] = title_node.get_text() # <div class="card_content" id="js-card-content"> summary_node = soup.find('div', class_='card_content').find('p') res_data['summary'] = summary_node.get_text() # print("dd: ", self.res_data) return res_data def parse(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
五、html_outputer.py
输出器的作用是把解析器解析出的网页字典存入列表,然后循环输出一个html表格
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 border=1 cellspacing=0>') for data in self.datas: fout.write('<tr>') fout.write('<td><a href="%s">%s</a></td>' % (data['url'], data['title'])) fout.write('<td>%s</td>' % data['summary']) fout.write('</tr>') fout.write('</table>') fout.write('</body>') fout.write('</html>') fout.close()
六、*****关键,我踩过的坑!!!!
我把解析器里面的res_data字典的初始化放到了构造函数里面,造成的结果是输出的表格是5个重复的数据,都是和最后一组一样!!
喜欢思考的同学可以想想是为什么?
原因分析:
这要涉及到list列表和字典的性质了
首先,字典的key对应的value是不可变的,如果强行重新赋值,会覆盖上次的数据!
其次,list列表存在的是数据的引用(指针),这个很关键(https://blog.slinuxer.com/2014/05/python-list-dict-tuple-file),下面举例分析下出错的过程:
①第1次抓取后,res_data指向了字典{'a': 1}
②res_data传入输出器后,self.datas列表内容也指向了字典{'a': 1}
③第2次抓取后,解析器里面对a重新赋新值2了,此时其实是res_data指向了新的字典{'a': 2},由于原指向的key一样,也一起变成了字典{'a': 2},此时其实self.datas列表的指向也变成了原字典{'a': 2}(如果你在入口函数断点查看,会出现一个奇葩的事,就是运行完解析器,但是还没运行输出器时,输出器的self.datas已经变成和新解析出的值一样了!!!当时我纠结了几天)
④当res_data再次传入输出器后,会被添加后self.datas列表后面,由于原来里面的字典已经变成了{'a': 2},所有此时会出现2个{'a': 2},即
self.datas = [{'a': 2}, {'a': 2}]
⑤如此循环抓取5次,最终self.datas里面是5个一样的字典,而且都和最后一次抓取的一样!
那么你可能会问,为什么把res_data初始化放在私有方法_get_new_data里面就没问题呢?因为初始化在这里,每实例化一次解析器,就重新运行一次这个函数,也会清空res_data字典,因此和原来指向的字典断开了,重新赋值也不会影响到原来的字典了。
源代码:https://github.com/phoenixor/baike360_spider
1 0
- python抓取360百科踩过的坑!
- python抓取糗事百科的段子
- Python实现抓取糗事百科的段子
- Python抓取糗事百科
- [python爬虫] 抓取糗事百科的爬虫程序
- 用python抓取糗事百科的小程序
- C#百科的抓取源代码
- Python抓取糗事百科邀请码
- Python网络爬虫抓取糗事百科
- python抓取糗事百科段子 图片
- python抓取糗事百科文字内容
- python bs4 抓取糗事百科资源
- Python - 静态页面抓取(抓取‘糗事百科’段子)
- Python 简易网络爬虫的编写——抓取任意页面数目百度百科内容
- Python爬虫实战一之使用Beautiful Soup抓取‘谣言百科’的分类内容
- 百度百科的抓取和使用
- Python抓取糗事百科网页信息以及源码下载
- 【python】scrapy初探_抓取糗事百科hot帖子
- 使用JS或jQuery模拟鼠标点击a标签事件代码
- jquery如何遍历json字符串
- 又是打印log引发的core dump------类似printf("msg is %s", 1);
- 开通博客之生活所想所感 ,感觉说的挺乱的
- LeetCode290 Word Pattern
- python抓取360百科踩过的坑!
- Git使用教程
- 利用java爬虫QDU教务课表
- Android学习之WebView文档翻译
- 刷题_day3_vv
- 2440 上内核3.4.2移植
- [JAVA · 初级]:19.容器类
- virtio sr-iov
- Scrollview