python网络小爬虫的编写

经过几天的自学python后，对python也算有了一定的了解，

然后对着网上的学习教程跟着编写了一个能爬百度百科的爬虫程序，从听不太懂到听懂写出来也花费了时间和努力，这里把我写的代码贴出来，希望能对大家有所帮助

笔者是用python3的环境写的，与教程里面的python2环境的代码有点区别，

已经亲自测试可行

首先用python3的IDLE新建所需要的文件，分别是main()函数调度端，url管理器，网页下载器，网页分析器，数据输出器这几个模块文件：

下面贴出代码：

spider_main模块：

import url_manager
import html_downloader
import html_parser
import html_outputer

class 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,root_url):
        count = 0
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:


                if count == 5:
                    break
                count = count + 1


                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)
                #print(new_data)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)


                
                #print (count)              


            except:
                print("craw failed")
        self.outputer.output_html()

if __name__=="__main__":
    root_url = "https://baike.baidu.com/item/Python/407313?fr=aladdin"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

由于模块太长，剩下的模块程序上传到我的资源里面