#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)
一个最简单的爬虫-调度程序
最新推荐文章于 2024-08-13 18:54:10 发布