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_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):
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.request
class 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 re
from urllib.parse import urljoin
from bs4 import BeautifulSoup
class 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。