Python3实现简单爬虫

一、文章简介

教程视频：http://www.imooc.com/learn/563

基于慕课网教程的开发，不同之处在于本人使用Python3进行的开发，本篇文章主要有两个内容：

1.讲述编码过程中与视频教程中的不同点

2.基于教程的源码（根据python3修改）

3.效果图

二、具体内容

1.python2与python的不同（以下将两版本简称为2,和3）

①urlopen的引用方式不同：在2中利用urllib模块直接引用urlopen方法打开，在3中利用urllib模块中的request对象的urlopen方法打开

详情（摘自：http://blog.csdn.net/chen1540524015/article/details/73717948）：

urllib库是python提供的一个用于操作URL的模块，在python2中有urllib和urllib2，在python3中urllib2合并到urllib中，区别和联系如下：

1） 在python2中使用的import urllib2——对应的，在python3中使用import urllib.request , import urllib.error

2） 在python2中使用的import urllib——对应的，在python3中使用import urllib.request , import urllib.error，import urllib.parse

3） 在python2中使用的import urlparse——对应的，在python3中使用import urllib.parse

4） 在python2中使用的import urllib2.urlopen——对应的，在python3中使用import urllib.request.urlopen

5） 在python2中使用的import urllib.urlencode——对应的，在python3中使用import urllib.parse.urlencode

6） 在python2中使用的import urllib.quote——对应的，在python3中使用import urllib.request.quote

7） 在python2中使用的import cookielib.CookieJar——对应的，在python3中使用import http.CookieJar

8） 在python2中使用的import urllib2.Request——对应的，在python3中使用import urllib.request.Reques

②编码错误一：输出文本格式

Windows下自动保存文本格式为gbk,因此在
        open('output.html', 'w')   应改为   open('output.html', 'w', encoding='utf-8')

问题可详见：

<a href="http://www.jb51.net/article/64816.htm">Python UnicodeEncodeError: 'gbk' codec can't encode character 解决方法</a>

③编码错误二：编/解码问题

3中会自动将网页中的编码转为utf8的格式不需要再次编码

例如：
            fout.write("<td>%s</td>" % data['title'].encode('utf8'))  不需要encode编码
            fout.write("<td>%s</td>" % data['title'])

④编码错误三：URL中汉字解码方式

详见不同点①详情部分，引用3中的parse对象的unquote方法对爬取数据的URL进行解析，代码如下：

urllib.parse.unquote(data['url'])

2.源码

①爬虫主函数  spider_main：

# coding:utf8
# 设置文本格式
'''
Created on 2017年11月2日

@author: zrq
'''
from baike_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.HtmlDownloder()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    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.outputer.collect_data(new_data)

                if count == 100:
                    break

                count = count + 1
            except:
                print('craw failed')

        self.outputer.output_html()


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

②url管理器  url_manager ：

# coding:utf8
# 设置文本格式
'''
Created on 2017年11月2日

@author: zrq
'''


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()  # 获取并移除url
        self.old_urls.add(new_url)
        return new_url

③网页解析器  html_parser ：

# coding:utf8
# 设置文本格式
'''
Created on 2017年11月2日

@author: zrq
'''
from bs4 import BeautifulSoup
import re
from urllib.parse import urljoin


class HtmlParser(object):

    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /item/*
        links = soup.find_all('a', href=re.compile(r"/item/*"))
        for link in links:
            new_url = link['href']
            new_full_url = urljoin(page_url, new_url)
            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").find("h1")
        res_data['title'] = title_node.get_text()

        #<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

    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

④网页下载器 html_downloader ：

# coding:utf8
# 设置文本格式
'''
Created on 2017年11月2日

@author: zrq
'''
from urllib import request


class HtmlDownloder(object):

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

        response = request.urlopen(url)

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

⑤文本输出 html_outputer ：

# coding:utf8
# 设置文本格式
'''
Created on 2017年11月2日

@author: zrq
'''
import urllib


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

        for data in self.datas:
            fout.write("<tr>")
            fout.write("<td>%s</td>" % urllib.parse.unquote(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()

3.运行效果图

爬取页面：

爬取时控制台输出：

爬取输出结果：