源代码 http://download.csdn.net/download/li201400130091/9859107
Python爬虫
URL管理器
声明两个集合 new_urls,old_urls. 一个存储待爬取的URL,一个存储已经爬取过的URLS。其中有四个函数,分别是
- add_new_url: 如果传入的url不在带爬取页面和已爬取页面中,向new_urls中加入一个新的待爬取页面。
- add_new_urls:传入很多urls,将urls的每一个url调用add_new_url判断是否加入待爬取集合中
- has_new_url:判断是否有待爬取页面
- get_new_url:从待爬取集合中返回一个url并将其加入已爬取集合中
# coding:utf8
class UrlManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
# 向管理器添加url
def add_new_url(self, url):
if url is None:
return
# 如果URL不在待爬取页面和已爬取页面中,将页面加入到待爬取页面
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):
# 如果urls为空 或者 其长度为0 退出
if urls is None or len(urls) == 0:
return
# 调用单个url加入到集合中
for url in urls:
self.add_new_url(url)
# 是否有新的url
def has_new_url(self):
# 长度不为0表明有待爬取的url
return len(self.new_urls) != 0
def get_new_url(self):
# 从待获取url集合中获取一个url,并加入到已爬取集合
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
URL下载器
将传入的url,使用urllib2.urlopen下载,并返回结果
# 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()
URL解析器
- _get_new_urls: 根据传入的BeautifulSoup对象查找符合要求的url,即需要爬取的url。找到所有a标签中符合url标准的 href值。并且根据格式生成对应的url加入到new_urls集合中。
- _get_new_data: 解析页面中的数据,声明一个字典res_data,保存url、title、date、content、author
- parse: 传入页面内容和url,分别爬取页面的url和data并返回
# coding:utf8
import re
import urlparse
from bs4 import BeautifulSoup
class HtmlParser(object):
def _get_new_urls(self, page_url, soup):
new_urls = set()
# view.sdu.edu.cn/new/2017~~~~
#^\d+/([^# ]*)| 导航栏: ^/new/\w+/$ 上下一页^\w+/\d+.html :sdnews/23.html ^/new/\w+/$
links = soup.find_all('a', href=re.compile(r"^\d+/([^# ]*)|^/new/\w+|^\w+/\d+.html")) # 正则表达式 /view/123.htm
for link in links:
new_url = link['href']
# print (new_url)
if new_url[0:4] == "/new":
new_full_url = urlparse.urljoin(page_url, new_url)
else:
new_full_url = "http://www.view.sdu.edu.cn/new/"+new_url
#
# print (new_full_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
# 解析数据
res_data = {}
res_data['url'] = page_url
# <div class="text"> <h1>山东大学召开创新转化学院课程与教材建设研讨会</h1>
if soup.find('div', class_="text") is None:
return
# 标题
title_node = soup.find('div', class_="text").find('h1')
res_data['title'] = title_node.get_text()
# 时间
#<div class="text_a">
date_node = soup.find('div', class_="text_a")
res_data['date'] = date_node.get_text()
# <div class="text_s" id="content">
# 内容
summary_node = soup.find('div', class_="text_s", id="content")
res_data['summary'] = summary_node.get_text()
# <div class ="text_c" > 【作者:邹晓东 来自:《文史】 < / div >
# 作者
author_node = soup.find('div',class_="text_c")
res_data['author'] = author_node.get_text()
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')
# soup = BeautifulSoup(html_cont)
new_urls = self._get_new_urls(page_url, soup)
new_data = self._get_new_data(page_url, soup)
return new_urls, new_data
DATA输出器
集合datas保存所有内容
- collect_data: 保存所有爬取的新闻内容数据
- output_html: 将datas中所有保存的数据写入到文件中
# coding:utf8
import os
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):
foutAll = open('output.html', 'w')
foutAll.write("<meta charset=\"UTF-8\">")
foutAll.write("<html>")
foutAll.write("<body>")
foutAll.write("<table>")
count = 0
for data in self.datas:
#记录每一篇文章的html
foutAll.write("<tr>")
foutAll.write("<td><a href=%s>%s</a></td>" % (data['url'], data['url']))
foutAll.write("<td>%d</td>" % count)
foutAll.write("<td>%s</td>" % data['title'].encode('utf-8'))
fout=open('test/%d' % count, 'w')
fout.write(data['title'].encode('utf-8'))
fout.write(data['summary'].encode('utf-8'))
fout.write(data['url'])
fout.close()
count += 1
爬虫启动器
- 初始化爬虫对象:URL管理器、URL下载器、URL解析器、URL输出器
- 爬虫调度程序:将root_url加入到URL管理器的待爬集合中。如果待爬集合不为空循环执行:取一个url,将其内容下载;将url,cont传入到解析器;解析器返回页面中所有的url和data。将url加入待爬、将data加入输出器。循环结束,调用输出
# coding:utf8
from Spider import html_downloader
from Spider import html_output
from Spider import html_parser
from Spider import url_manager
class SpiderMain(object):
# 构造函数初始化对象
def __init__(self):
self.urls = url_manager.UrlManager() # URL管理器
self.downloader = html_downloader.HtmlDownloader() # URL下载器
self.parser = html_parser.HtmlParser() # URL解析器
self.output = html_output.HtmlOutputer() # 输出器
# 爬虫调度程序
def craw(self, root_url):
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.output.collect_data(new_data)
count += 1
except:
print 'craw failed'
print count
self.output.output_html()
if __name__ == "__main__":
# root_url = "http://www.view.sdu.edu.cn/" # 入口地址
# root_url = "http://www.view.sdu.edu.cn/new/2015/1028/76105.html" # 入口地址
root_url = "http://www.view.sdu.edu.cn/"
# root_url = "http://www.view.sdu.edu.cn/new/sdnews/"
obj_spider = SpiderMain()
obj_spider.craw(root_url)
源代码请参考