本文旨在研究使用Python,以一个百科词条地址为根,展开全面爬取百科词条
一个简单的爬虫大概包括以下几个部分
- 爬虫总控制器(spider_main)
- url地址管理,包括url地址的获取和判断等(url_manager)
- html下载,使用urllib2完成html下载(html_downloader)
- html解析,使用BeautifulSoup完成Html的解析(html_parser)
- 数据的输出(html_outputer)
源码已经上传github: https://github.com/SmuEdward/python_spider_on_baike
下面附上各个部分的代码
spider_main.py
#coding = utf8
from baike_spider import html_outputer, url_manager, html_downloader, html_parser
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 = 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_content = self.downloader.download(new_url)
new_urls, new_data = self.parser.parse(new_url, html_content)
self.urls.add_new_urls(new_urls)
self.outputer.collect_data(new_data)
if count == 100: