基础爬虫
例子:**百科网络爬虫词条以及相关词条的标题,摘要和链接等信息。
基础爬虫框架及运行流程
基础爬虫框架主要包括五大模块:爬虫调度器,URL管理器,HTML下载器,HTML解析器,数据存储器。
爬虫调度器:
负责统筹其他四个模块的协调工作。
URL管理器:
负责管理URL链接,维护已经爬取的URL集合和未爬取的URL集合,提供获取新URL链接的接口。
HTML下载器:
用于从URL管理器中获取未爬取的URL链接并下载HTML网页。
HTML解析器:
用于从HTML下载器中获取已经下载的HTML网页,并从中解析出新的URL链接交给URL管理器,解析出有效数据交给数据存储器。
数据存储器:
用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来。
爬虫框架的动态运行流程:
代码
URL管理器
主要包括两个变量,一个是已爬取URL的集合,另一个是未爬取的URL集合。
采用Python中的set类型,因为set有去重功能,防止链接重复爬取。
链接去重是爬虫开发中必备的功能,解决方案有三种:1.内存去重 2.关系数据库去重 3。缓存数据库去重。根据爬取数据量来选取。
URL管理器除了具有两个URL集合,还需要提供以下接口,用于配合其他模块使用。
接口如下:
判断是否有待取的URL,方法定义为has_new_url()
添加新的URL到未爬取集合中,方法定义未 add_new_url(url), add_new_urls(urls)
获取一个未爬取的URL,方法定义为get_name_url()
获取未爬取URL集合的大写,方法定义为new_url_size()
获取已经爬取的URL集合的大写,方法定义为old_url_size()
class UrlManager(object):
def __init__(self):
# 未爬取URL集合 已爬取URl集合。
self.new_urls = set()
self.old_urls = set()
def has_new_url(self):
"""
判断是否有未爬取的URL
:return:
"""
return self.new_url_size() != 0
def get_new_url(self):
"""
获取一个未爬取的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添加到未爬取的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集合添加到未爬取的URL集合中
:urls: url集合
:return: u
"""
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集合的大小
:return:
"""
return len(self.new_urls)
def old_url_size(self):
"""
获取已经爬取URL集合的大小
:return:
"""
return len(self.new_urls)
HTML下载器
用来下载网页,这时候需要注意网页的编码。以保证下载的网页没有乱码。
下载器需要用到requests模块,里面只需要实现一个接口即可:download(url)。
import requests
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
user_agent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36 Edg/105.0.1343.42"
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
使用BeautifulSoup4进行HTML解析。需要解析的部分主要分为提取相关词条页面的URL和提取当前词条的标题和摘要信息。
可以通过控制台找出百度百科的标题标记位于 <dd class="lemmaWgt_lemmaTitle-title"> ...
摘要文本位于 <div class="lemma-summary">....
抽取URL的格式。相关词条的URl格式类似于<a href='/xx/yy'> 提取出的href是一个相对网址,可以使用函数拼接一下。
import re
from urllib import parse
from bs4 import BeautifulSoup
class HtmlParser(object):
def parser(self, page_url, html_cont):
"""
用于解析网络内容,抽取URL和数据
:param page_url: 下载页面的URL
:param html_cont: 下载页面的内容
: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()
# 抽取符合要求的a标记
links = soup.find_all('a', href=re.compile(r'/item/%E7%A8%8B%E5%BA%8F/\d+'))
for link in links:
# 提取href属性
new_url = link['href']
# 凭借成完整的网址
new_full_url = parse.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: 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,包括子孙tag中的内容.
data['summary'] = summary.get_text()
return data
数据存储器
主要包括两个方法,store_data(data)用于将解析出来的数据存储到内容中,output_html()用于将存储的数据输出为指定的文件格式,我们使用的是将数据输出为HTMl格式
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('<head>')
fout.write('<meta charset="UTF-8">')
fout.write('</head>')
fout.write('<body>')
fout.write('<table>')
for data in self.datas:
fout.write('<tr>')
fout.write('<td>%s</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()
这并不是一个很好的方式,可以将数据分批存储到文件,而不是所有数据存储到内存。
爬虫调度器
爬虫调度器首先就是初始化模块,然后通过craw(root_url)方法传入URL.方法内部实现按照运行流程控制各个模块。
from 基础爬虫.URLManager import UrlManager
from 基础爬虫.DataOutput import DataOutput
from 基础爬虫.HtmlParser import HtmlParser
from 基础爬虫.HtmlDownloader import HtmlDownloader
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管理器是否有新的URL,同时判断抓取多少个URL
while self.manager.has_new_url() and self.manager.old_url_size() < 100:
try:
# 从URL管理器获取新的URL
new_url = self.manager.get_new_url()
# HTML下载器下载网页
html = self.downloader.download(new_url)
# HTML解析器抽取网页数据
new_urls, data = self.parser.parser(new_url, html)
# 将抽取到的URL添加到URL管理器中
self.manager.add_new_urls(new_urls)
# 数据存储器存储文件
self.output.store_data(data)
print('已经抓取%s个;个链接'% self.manager.old_url_size())
except Exception as e:
print('crawl failed')
self.output.output_html()
if __name__ == "__main__":
spider_man = SpiderMan()
spider_man.crawl(url)