python抓取360百科踩过的坑！

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