简单Python爬虫实现(二)
来源:互联网 发布:企业群发短信软件 编辑:程序博客网 时间:2024/06/07 02:28
目的:从百度百科python页抓取相关超链接的词条,输出到html中
一些概念:深入理解python之self
程序的主要目录为
主函数
from test import url_managerfrom test import html_downloaderfrom test import html_parserfrom test import html_output主函数
if __name__ == "__main__": # main函数 __name__中间是两个下划线 main函数不能写错!!!! root_url="http://baike.baidu.com/view/21087.htm" # 入口地址 obj_spider = SpiderMain() # 创建一个spider obj_spider.craw(root_url) # 调用spider的craw方法,启动爬虫上述定义了一个类SpiderMain,并调用了类中的craw方法 ,类实现如下
class SpiderMain(object): def __init__(self): self.urls = url_manager.UrlManager() <span style="font-family:Microsoft YaHei;"># </span>url管理器 ——分别对应一个类。 self.downloader = html_downloader.HtmlDownloader() <span style="font-family:Microsoft YaHei;"># </span>html下载<span style="font-family:Microsoft YaHei;">器</span> self.parser = html_parser.HtmlParser() <span style="font-family:Microsoft YaHei;"># </span>html解析器 self.output = html_output.HtmlOutPuter() <span style="font-family:Microsoft YaHei;"># </span>html输出 def craw(self, root_url): # 爬虫的调度程序 count = 1 # 记录当前爬的第几个url # 入口 url 添加到 url 管理器 self.urls.add_new_url(root_url) while self.urls.has_new_url(): # 有待取去url try: new_url = self.urls.get_new_url() # 获取最新的url print('craw %d :%s' % (count, new_url)) # 启动下载器并存储 html_cont = self.downloader.downlad(new_url) # 下载url new_urls,new_data = self.parser.paser(new_url,html_cont) # 得到新的url和数据 self.urls.add_new_urls(new_urls) # 添加到url管理器 self.output.collect_data(new_data) # 收集数据 if count == 100: break count += 1 except Exception as error: print(error) # 输出收集好的数据 self.output.output_html()
按照craw方法中调用顺序:
URL管理器
# url 管理器需要维护待爬取的 url 列表 和 已爬取的 url 列表class UrlManager(object): def __init__(self): self.new_urls = set() self.old_urls = set() # 添加url def add_new_url(self, root_url): if root_url is None: return if root_url not in self.new_urls and root_url not in self.old_urls: self.new_urls.add(root_url) # 添加urls集合 def add_new_urls(self, new_urls): if new_urls is None or len(new_urls) == 0: return for url in new_urls: self.add_new_url(url) # 判断是否有新的待爬取的url def has_new_url(self): return len(self.new_urls) != 0 # 获取新的待爬url def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url
下载器
import urllib# 下载器代码——下载网页class HtmlDownloader(object): def downlad(self, new_url): if new_url is None: return None response = urllib.request.urlopen(new_url) if response.getcode() != 200: return None return response.read().decode('utf-8')
解析器
## -*- coding: utf-8 -*-from bs4 import BeautifulSoupimport reimport urllib.parseimport urllib.requestclass HtmlParser(object): def _get_new_urls(self, page_url, soup): new_urls = set() # /view/123.html links = soup.find_all('a', href=re.compile(r'/view/\d+\.htm')) # 不是html for link in links: new_url = link['href'] # 让 new_url 以 page_url 为模板拼接成一个全新的 url new_full_url = urllib.parse.urljoin(page_url, new_url) print(new_url) # /view/10812319.htm print(new_full_url) # http://baike.baidu.com/view/10812319.htm 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 # <dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1> title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title") # 如果没找到 'lemmaWgt-lemmaTitle-title' 类,直接跳过 if title_node == None: res_data['title'] = '' res_data['summary'] = '' return res_data else: title_node = title_node.find("h1") res_data['title'] = title_node.get_text() # <div class="lemma-summary"> summary_node = soup.find('div', class_="lemma-summary") if summary_node == None: res_data['summary'] = '' else: 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# python3对urllib和urllib2进行了重构,# 拆分成了urllib.request, urllib.response, urllib.parse, urllib.error等几个子模块,# urljoin现在对应的函数是urllib.parse.urljoin
输出
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('outputer.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>') # ascii python 默认编码 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spider_main执行结果
代码是根据慕课网上老师讲的敲得,这是入门级别的简单的爬虫...后续路还很长.....
附视频地址:老师讲的真的很好!
代码链接:点击打开链接
0 0
- 简单Python爬虫实现(二)
- python简单爬虫(二)
- Python开发简单爬虫(二)
- python 简单爬虫实现
- Python实现简单爬虫
- Python实现简单爬虫
- Python实现简单爬虫
- Python实现简单爬虫
- python 实现简单爬虫
- Python简单爬虫实现
- python网络爬虫入门(二)——用python简单实现调用谷歌翻译
- python实现简单爬虫功能
- python实现简单爬虫功能
- python实现简单爬虫功能
- python实现简单爬虫功能
- python实现简单爬虫功能
- python 实现简单网络爬虫
- Python实现简单的爬虫
- IOS-OC-日期增减-每次切换一个星期
- 第十一周项目1-验证算法(3)-中序线索化二叉树算法的验证
- Android-Mac电脑如何进行APK反编译-使用apktool、jd-gui
- 第11周项目1-验证算法(2)二叉树构造算法的验证
- 如何在新版的万能地图下载器上作标注
- 简单Python爬虫实现(二)
- (LeetCode)Longest Common Prefix --- 最长公共前缀
- 第11周项目1-验证算法(3)中序线索化二叉树的算法验证
- Hadoop集群安装配置教程_Hadoop2.6.0_Ubuntu/CentOS
- 算法学习笔记
- linux下下载安装jdk
- zabbix监控系统客户端安装
- 第11周项目1-验证算法(2)二叉树构造算法的验证
- appbase 和docbase