基本爬虫爬取200条百度百科的代码

最新推荐文章于 2024-04-23 18:06:15 发布

子嘉113

最新推荐文章于 2024-04-23 18:06:15 发布

阅读量885

点赞数

分类专栏：爬虫文章标签：爬虫百度 python

本文链接：https://blog.csdn.net/luluzsa/article/details/122179854

版权

爬虫专栏收录该内容

17 篇文章 0 订阅

订阅专栏

最近测试了一个基本爬虫爬取200条百度百科代码如下，有需要的可以拿去，代码复制到pycharm里面可以直接运行，如果有什么疑问可以私信我（或vx:jlm0314）。
url管理器(Urlmanager.py)代码如下:

# coding:utf-8
class Urlmanager(object):
    def __init__(self):
        self.new_urls=set()
        self.old_urls=set()
    def has_new_url(self):
        '''
        判断是否有未爬去的URL
        :return
        '''
        return self.new_url_size()!=0
    def get_new_url(self):
        '''
        获取一个未爬去的URL
        :return:
        '''
        new_url=self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url
    def add_new_url(self,url):
        '''
        将新的url添加到未爬去的URL集合中
        :param url: 单个URL
        :return:
        '''
        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):
        '''
        将新的url添加到未爬去的URL集合中
        :param urls: url集合
        :return:
        '''
        if urls is None or len(urls)==0:
            return
        for url in urls:
            self.add_new_url(url)
    def new_url_size(self):
        '''
        获取未爬取URL集合大小
        :return:
        '''
        return len(self.new_urls)
    def old_url_size(self):
        '''
        获取已爬取URL集合的大小
        :return:
        '''
        return len(self.old_urls)

html下载器（HtmlDownloader.py）代码如下：

import requests
class HtmlDownloader(object):
    def download(self,url):
        if url is None:
            return None
        user_agent='Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36'
        headers={'User-Agent':user_agent}
        r=requests.get(url,headers=headers)
        if r.status_code==200:
            r.encoding='utf-8'
            return r.text
        return None

Html解析器(HtmlParser.py)代码如下：

# coding utf-8
import re
from urllib.parse import urljoin
from bs4 import BeautifulSoup


class HtmlParser(object):
    def parser(self,page_url,html_cont):
        '''
        用于解析网页内容，提取url和数据
        :param page_url: 下载页面的URL
        :param html_cont: 下载的网页内容
        :return: 返回URL和数据
        '''
        if page_url is None or html_cont is None:
            return
        soup=BeautifulSoup(html_cont,'html.parser')
        new_urls=self._get_new_urls(page_url,soup)
        new_data=self._get_new_data(page_url,soup)
        return new_urls,new_data

    def _get_new_urls(self,page_url,soup):
         '''
         抽取新的URL集合
         :param page_url:下载页面的URL
         :param soup: soup
         :return: 返回新的URL集合
         '''
         new_urls=set()
         # links=soup.find_all('a',href=re.compile(r'/item/\.*?/\d+\.html'))
         links=soup.find_all('a',href=re.compile(r'^/item/[\%\w{2}]+/\d+'))

         for link in links:
             # 提取href属性
             new_url=link['href']
             # 拼接成完整网址
             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):
        '''
        抽取有效数据
        :param page_url:下载页面的URL
        :param soup:
        :return: 返回有效数据
        '''
        data={}
        data['url']=page_url
        title=soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')
        data['title']=title.get_text()
        summary=soup.find('div',class_='lemma-summary')
        # 获取tag中包含的所有文本内容，包含子孙tag中的内容，并将结果作为Unicode字符串返回
        data['summary']=summary.get_text()
        return data

数据存储器(DataOutput.py):代码如下：

#coding=utf-8
import codecs

class DataOutput(object):
    def __init__(self):
        self.datas=[]
    def store_data(self,data):
        if data is None:
            return
        self.datas.append(data)

    def output_html(self):
        fout=codecs.open('baike.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.html</td>"%data['url'])
            fout.write("<td>%s</td>"%data['title'])
            fout.write("<td>%s</td>"%data['summary'])
            fout.write("<tr>")
            self.datas.remove(data)
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

爬虫调度器(SpiderMan),代码如下：

#coding:utf-8
from firstspider.UrlManager import Urlmanager
from  firstspider.HtmlDownloader import HtmlDownloader
from  firstspider.HtmlParser import HtmlParser
from  firstspider.DataOutput import DataOutput

class SpiderMan(object):
    def __init__(self):
        self.manager = Urlmanager()
        self.downloader=HtmlDownloader()
        self.parser=HtmlParser()
        self.output=DataOutput()
    def crawl(self,root_url):
        # 添加入口URL
        self.manager.add_new_url(root_url)
    #     判断URL管理器中是否有新的URL，同是判断抓取了多少各url
        while(self.manager.has_new_url() and self.manager.old_url_size()<200):
            try:
                # 从URL管理器中获取新的URL
                new_url=self.manager.get_new_url()
    #             HTML下载器下载网页
                html=self.downloader.download(new_url)
    #             HTML解析器抽取数据
                new_urls, data=self.parser.parser(new_url,html)
    #             将抽取的URL添加到URL管理器中
                self.manager.add_new_urls(new_urls)
    #             数据存储器存储数据
                self.output.store_data(data)
                print('已经抓取%s个链接'%self.manager.old_url_size())
            except Exception:
                print ('crawl failed')
    #             数据存储器将数据存储为指定的格式
        self.output.output_html()

if __name__=="__main__":
    spider_man=SpiderMan()
    spider_man.crawl("https://baike.baidu.com/item/%E9%BE%99%E5%85%89%E9%9B%86%E5%9B%A2/1137665?fr=aladdin.html")