一个最简单的爬虫-调度程序

#调度程序
import html_downloader
import html_outputer
import html_parser
import url_manager



class SpiderMain(object):
    def __init__(self):
        """
        创建url管理器、HTML下载器、HTML解析器、HTML输出器
        """
        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):
        """
        爬取数据逻辑
        """
        count = 1
        self.urls.add_new_url(root_url)     #在URL管理器中加入口URL
        while self.urls.has_new_url():      #只要URL管理器中有可以爬取的URL，就不断循环
            try:                            #将循环加入try模块，抛出异常
                """
                逻辑：从URL管理器中获取一个待爬取的URL，然后启动下载器下载这个页面，
                下载这个页面，我们调用解析器解析这个页面，得到新的URL列表和新的数据，
                对URL列表和数据分别处理，URL列表加入到URL管理器中，数据交给输出器收集
                """
                new_url = self.urls.get_new_url()
                print('craw %d : %s' % (count, new_url))
                html_cont = self.downloader.download(new_url)
                new_urls = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                new_data = self.parser.parse_data(new_url, html_cont)
                self.outputer.collect_data(new_data)
                if count == 100:
                    break
                count += 1
            except:
                print('Craw failed')
        self.outputer.output_html()



if __name__ =="__main__":
    root_url = "http://blog.csdn.net/sb_Ihateyou/article/list/"   #入口页
    obj_spider = SpiderMain()
    i = 1
    obj_spider.craw(root_url)