Python进阶篇：Python简单爬虫

最新推荐文章于 2024-08-24 17:05:29 发布
最新推荐文章于 2024-08-24 17:05:29 发布
阅读量118 收藏
点赞数
文章标签： 爬虫 python
原文链接：http://www.cnblogs.com/benchen/p/6111840.html
版权

目录

  • 前言
  • 要解决的问题
  • 设计方案
  • 代码说明
  • 小结

 

 

前言

 

前一段一直在打基础，已经学习了变量，流程控制，循环，函数这几块的知识点，就想通过写写小程序来实践一下，来加深知识点的记忆和理解。首先考虑的就是爬虫啦，一直很崇拜爬虫大师，特别想能够学习一些爬虫技术，去淘宝上爬爬数据，说不定什么时候可以使用数据进行一些分析，比如哪天自己也开了个小店啥的~~。为了能够开始起步， 我看了一些视频，查阅了一些资料，起步阶段就不用那些很牛逼的框架了，主要是想通过基本的爬虫来了解爬虫的基本概念和思路。

 

要解决的问题

查阅百度百科的某个关键词以及相关联的关键词的集合。这是一个比较有意义的事情，通过这样的数据能更好的理解相关的生态圈。比如我查阅“分布式计算”  http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448 文章里面含有很多的有链接的关键词，就这样不断的迭代去爬这些链接的关键词的文章内的关键词。

设计方案

爬虫含有5个组成部分：主程序，URL管理器，HTML下载器，HTML解析器，结果展示器

主程序：调度其他的部件的执行，并作为主程序入口来执行代码

URL管理器： 管理URL的集合以及状态 - 未下载的URL，已下载的URL，添加新的URL，去除已现在的URL

HTML下载器： 下载URL对应的HTML

HTML解析器： 解析下载下来的HTML，取出有用的数据

结果展示器： 组织最终生成的数据，并展示或者存储起来

 

代码说明
  • 代码组织架构

  •  代码展示
部件名称程序名称代码
主程序SpiderMain.py 
from Spider import UrlManager,HtmlDownloader,HtmlParser,HtmlOutputer

class Spider(object):

    def __init__(self):
        self.urlmanager = UrlManager.Manager()
        self.htmldownloader = HtmlDownloader.Downloader()
        self.htmlparser = HtmlParser.Parser()
        self.htmloutputer = HtmlOutputer.Outputer()


    def scrpy(self, root_url):
        self.urlmanager.add_new_urls(root_url)
        count = 1
        while(self.urlmanager.has_new_url()):
            if(count>10):
                break

            curr_url = self.urlmanager.get_new_url()
            html_content = self.htmldownloader.load(curr_url)
            print("No.%d Downloading URL %s" % (count, curr_url))
            word,new_urls,lemmasummary = self.htmlparser.parse(curr_url,html_content)
            data={}
            data['word']=word
            data['curr_url']=curr_url
            data['lemmasummary']=lemmasummary
            self.htmloutputer.collect(data)
            self.urlmanager.add_new_urls(new_urls)
            count = count + 1
        self.htmloutputer.genhtml()



if(__name__=='__main__'):
    root_url = "http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448"
    spider = Spider()
    spider.scrpy({root_url})

 

URL管理器UrlManager.py 
class Manager(object):
    def __init__(self):
        self.old_urls=set()
        self.new_urls=set()

    def add_new_urls(self, root_url):
        for url in root_url:
            if(root_url not in self.old_urls and  root_url not in self.new_urls):
                self.new_urls.add(url)

    def has_new_url(self):
        if(len(self.new_urls) > 0):
            return True
        else:
            return False

    def get_new_url(self):
        tmp=self.new_urls.pop()
        self.old_urls.add(tmp)
        return tmp
HTML下载器HtmlDownloader.py 
import urllib.request

class Downloader(object):
    def load(self, curr_url):
        html = urllib.request.urlopen(curr_url)
        return html.read().decode("UTF-8",'ignore')
HTML解析器HtmlParser.py 
import re
from urllib.parse import urljoin
from bs4 import BeautifulSoup

class Parser(object):
    def __init__(self):
        self.title = ''
        self.urls = set()
        self.lemmasummary = ''

    def parse(self, curr_url, html_content):
        soup = BeautifulSoup(html_content, 'html.parser',from_encoding="utf-8")
        soupurls=soup.find_all('a',href=re.compile(r'/view'))
        for url in soupurls:
           self.urls.add(urljoin(curr_url,url['href']))
        self.title = soup.title.string.split("_")[0]
        self.lemmasummary = soup.find('div',class_='lemma-summary')
        return self.title,self.urls,self.lemmasummary
结果展示器HtmlOutputer.py 
class Outputer(object):
    def __init__(self):
        self.table = []

    def collect(self, data):
        self.table.append(data)

    def genhtml(self):
        html = open('result.html','w')
        html.write("<html>")
        html.write("<head>")
        html.write("</head>")
        html.write("<body>")
        html.write("<table>")
        for data in self.table:
            html.write("<tr>")
            html.write("<td>%s</td>" % data['word'])
            html.write("<td>%s</td>" % data['curr_url'])
            html.write("<td>%s</td>" % data['lemmasummary'])
            html.write("</tr>")
        html.write("</table>")
        html.write("</body>")
        html.write("</html>")
        html.close()

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

  •  最终的结果

 

小结

在上面的爬虫代码里面，主要体现了爬虫的几个部件之间的配合，以及每个部件的所引用的模块，比如urllib,bs4,re

 

 

转载于:https://www.cnblogs.com/benchen/p/6111840.html

baiba7240
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python爬虫进阶：实战案例与技巧详解
qq_72290695的博客
06-28 767
通过本文介绍的进阶技巧，包括使用代理IP和处理动态加载内容，以及处理登录和验证码，读者可以更加灵活地应对各种爬虫场景。不过需要注意，在进行网络爬虫时，应遵守网站的相关规定和法律法规，以确保合法和道德的使用。本篇文章将结合实际案例，介绍Python爬虫的进阶技巧，并提供相应的代码示例，帮助读者深入了解和应用这些技巧。案例一：使用代理IP和处理动态加载内容 在爬取网站数据时，有些网站会限制IP的访问频率或禁止爬虫程序的访问。然后，我们可以在会话中进行后续的请求，例如访问需要登录才能访问的页面。
Python 爬虫进阶：多线程与多进程实现策略
06-28
Python 是一种非常适合编写网络爬虫的编程语言，其简洁的语法和强大的库支持使得爬虫开发变得相对容易。然而，当面对需要处理大量数据或需要提高爬取效率的场景时，单线程的爬虫可能无法满足需求。这时，多线程或多...
Python爬虫框架Scrapy实例（一）
weixin_30699955的博客
10-05 219
目标任务：爬取腾讯社招信息，需要爬取的内容为：职位名称，职位的详情链接，职位类别，招聘人数，工作地点，发布时间。 一、创建Scrapy项目 scrapy startproject Tencent 命令执行后，会创建一个Tencent文件夹，结构如下 二、编写item文件，根据需要爬取的内容定义爬取字段 # -*- coding: utf-8 -*- import scr...
python爬虫进阶篇：scrapy爬虫框架 兼职赚钱必备神器
code_space
12-18 1414
Scrapy是一个很成熟的框架，此框架是为了爬取网站数据，提取结构性数据而编写的应用框架。 Scrapy通常应用在包括数据挖掘，信息处理或存储历史数据等一系列的项目中。像一些流媒体公司通常会用爬虫来收集电影数据（上座率、票价、好评率）、新闻点击率数据等。这些业务爬取的数据一般是公开的，当爬取的量存到一定数量级时，则可以进行市场分析、打包售卖信息等进行盈利。
python爬虫进阶篇：利用Scrapy爬取同花顺个股行情并发送邮件通知
热门推荐
code_space
12-19 1万+
python爬虫进阶篇：利用Scrapy爬取同花顺个股行情并发送邮件通知，来结合现实场景利用scrapy给我们带来便利
python爬虫进阶篇：用Scrapy框架进行百度搜索并爬取搜索结果进行持久化
code_space
12-21 1244
接着上篇记录的爬虫应用，这次来试下百度搜索的爬虫应用。百度的很多搜索结果可以为我们的行业挣得信息差，并且统计数据后可以发现规律，根据规律寻找盈利点。所以我们先来试下小demo来尝试爬取百度的搜索结果。
python爬虫进阶篇：scrapy爬虫框架的依赖库搭建和项目创建
code_space
12-19 584
上篇我们记录了Scrapy的各个组件功能，这篇我们来动手scrapy爬虫框架的依赖库搭建和项目创建，开始进入进阶实战。
Python爬虫进阶：爬取在线电视剧信息与高级检索
欢迎来到“Python算法探索”，我是GT算法工程师，一名热爱计算机算法的博主。在这里，我们将一起深入探索Python世界中的各种算法，从基础到高级，从理论到实践。我参加过很多算法比赛，积累了丰富的经验，希望通过这个播客与你分享。让我们一起用Python探
02-25 1760
http
Python进阶秘籍：50个学习资源助你从新手到专家
Trb201013的博客
03-11 526
Beautiful Soup官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/PyQt5官方文档：https://www.riverbankcomputing.com/static/Docs/PyQt5/Python官方模块文档：https://docs.python.org/zh-cn/3/library/index.html。SciPy官方文档：https://docs.scipy.org/doc/scipy/reference/
python爬虫进阶篇：Scrapy中使用Selenium模拟Firefox火狐浏览器爬取网页信息
code_space
12-22 2301
接着上一篇的笔记，Scrapy爬取普通无反爬、静态页面的网页时可以顺利爬取我们要的信息。但是大部分情况下我们要的数据所在的网页它是动态加载出来的（ajax请求后传回前端页面渲染、js调用function等）。这种情况下需要使用selenium进行模拟人工操作浏览器行为，实现自动化采集动态网页数据。
python爬虫进阶篇：用Scrapy框架进行百度搜索并爬取搜索结果进行持久化​
m0_58477260的博客
12-30 778
接着上篇记录的爬虫应用，这次来试下百度搜索的爬虫应用。我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
Python爬虫进阶：Scrapy框架教程
06-11
Python爬虫进阶教程 掌握了python爬虫基本理论和操作，本课程主要以讲授Scarpy框架来实现python爬虫进阶 该课程主要分享Python爬虫框架Scarpy的安装、使用、selector选择器的使用 spider的使用、itempipeline的使用...
Python网络爬虫进阶教程.pdf
08-06
9 网络爬虫进阶之 Selenium 篇 9.1 Selenium 简介 . . . . . . . . 9.1.1 Selenium 是什么 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 9.1.2 Selenium 特点 . . . . . . . . ....
Python爬虫入门到进阶：解锁网络数据的钥匙-Markdown材料.zip
05-23
Python爬虫入门到进阶：解锁网络数据的钥匙 在数字化时代，数据已成为最宝贵的资源之一。然而，如何获取这些数据，尤其是隐藏在网页背后的信息，成为了许多开发者、数据分析师和研究人员面临的挑战。现在，我们为你...
价值200元的Python精品课程：Python分布式爬虫与逆向进阶实战
08-18
本课程从 0 到 1 构建完整的爬虫知识体系，精选 20 + 案例，可接单级项目，应用热门爬虫框架 Scrapy、Selenium、多种验证码识别技术，JS 逆向破解层层突破反爬，带你从容抓取主流网站数据，掌握爬虫工程师硬核技能。
分享一个基于文本挖掘的微博舆情分析系统Python网络舆情监控系统Flask爬虫项目大数据（源码、调试、LW、开题、PPT）
最新发布
m0_72599287的博客
08-24 929
本系统的开发旨在构建一个高效的微博舆情分析与监控平台，帮助企业、政府及相关机构实时了解社交媒体上的舆情动态。通过Scrapy爬虫技术自动化地采集微博中与特定舆情相关的数据，并将其存储到MySQL数据库中，以便后续的数据处理和分析。系统还集成了大屏可视化分析功能，通过Echarts展示微博数据的多维度统计信息，如评论、分享、点赞数量以及发布城市和舆情数量等，帮助用户直观地掌握舆情分布和发展态势，为及时应对突发事件和优化决策提供数据支持。
Python爬虫案例二：获取虎牙主播图片(动态网站)
m0_74614835的博客
08-19 1333
params不能写在__init__()里面，因为__init__()只执行一次，params是变化的。'iPageNo': '{}'.format(i), # i是字符串。print('ok 第{}张--{}'.format(self.no, name))1.异步数据（即先返回HTML，再返回目标的数据，只是触发了JSON请求），不在HTML中。os.mkdir('../虎牙')测试链接：https://live.huya.com/# 构造7页的params。2.不能刷新网页，直接翻页。
使用 Python 爬虫进行网站流量分析：Referer 头的利用
Z_suger7的博客
08-20 431
HTTP Referer 头是一个请求头字段，它记录了用户是从哪个页面链接到当前请求的页面。这个字段对于网站管理员来说是一个宝贵的资源，因为它可以帮助他们了解流量的来源和用户的行为模式。
webdriver 反爬虫 (selenium反爬虫) 绕过
guanxxx的博客
08-21 383
undetected_chromedriver 是一个防止浏览器指纹特征被识别的依赖库，使用 undetected_chromedriver.Chrome() 新建浏览器窗口，从而修改浏览器指纹特征。webdriver 属性是我们最常听到的，通过 webdriver 驱动浏览器就会包含这一属性，因此可用来辨别爬虫程序（可检测的属性远不止这一种）。因为 webdriver 属性置空 js 代码有更改，同时最好修改不止一个属性，因此直接使用开源分享的 js 代码比较方便。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值