Pyhton实例，抓取百度词条关于Python的内容（二）

最新推荐文章于 2024-04-22 16:07:30 发布

XuRuiIsCoding

最新推荐文章于 2024-04-22 16:07:30 发布

阅读量2.4k

点赞数 1

分类专栏： --3.4Python 文章标签： python 百度实例

本文链接：https://blog.csdn.net/Gexrior/article/details/54174434

版权

--3.4Python 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

直接上代码
1.UrlManager 管理器

# coding:utf8
class UrlManager(object):
    #初始化，待爬取URL和已爬取URL
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()
    #添加新URL进管理器
    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)
    #批量添加URLS
    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
    #pop方法可以把其中的一个URL给弹出，并且移除
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

2.Urldoawnloader 下载器

# coding:utf8
import urllib2


class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None

        response = urllib2.urlopen(url)

        if response.getcode() !=200:
            return None

        return response.read()

3.Parser 解析器

# -*- coding: UTF-8 -*-
import re
import urlparse

from bs4 import BeautifulSoup


class HtmlParser(object):

    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

    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /view/123.htm
        links = soup.find_all('a', href=re.compile(r"/view/\d+\.htm"))
        for link in links:
            new_url = link['href']
            #urljoin 函数可以将new_url 按page_url 的格式拼接成一个全新的url
            new_full_url = urlparse.urljoin(page_url,new_url)
            new_urls.add(new_full_url)
        return new_urls
    #获取的数据为 title and summary
    def _get_new_data(self, page_url, soup):
        res_data = {}

        #url
        res_data['url'] = page_url

        #获取 title
        #<dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1>
        title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find('h1')
        res_data['title'] = title_node.get_text()

        #获取 summary
        #<div class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('div',class_="lemma-summary")
        res_data['summary'] = summary_node.get_text()

        return res_data

4.Outputer 输出器

# coding:utf8
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')

        fout.write("<html>")
        fout.write('<body>')
        fout.write('<table>')

        #ascii
        for data in self.datas
            fout.write("<tr>")
            fout.write('<td>%s</td>' % data['url'])
            fout.write('<td>%s</td>' % data['title'].encode("utf-8"))
            fout.write('<td>%s</td>' % data['summary'].encode("utf-8"))
            fout.write("</tr>")

        fout.write('</table>')
        fout.write('</body>')
        fout.write("</html>")

        fout.close()

总结：BeautifulSoup的使用方法为：创建BeautifulSoup对象->搜索节点find-all/find->访问节点（名称，属性，文字）。
形如;soup = BeautifulSoup(html_cont,’html.parser’,from_encoding=’utf-8’),第一个参数传网页，第二个参数传解析器，第三个参数编码。至此，可以完全爬取百度百科的Python词条。
不足之处欢迎指正。

附git链接：https://github.com/gexrior/PytBaidu.git

XuRuiIsCoding

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
2
评论
Pyhton实例，抓取百度词条关于Python的内容（二）

直接上代码 1.UrlManager 管理器# coding:utf8class UrlManager(object): #初始化，待爬取URL和已爬取URL def __init__(self): self.new_urls = set() self.old_urls = set() #添加新URL进管理器 def add_
复制链接

扫一扫