一个最简单的爬虫-HTML解析器

最新推荐文章于 2024-07-03 20:27:38 发布

小明的博客

最新推荐文章于 2024-07-03 20:27:38 发布

阅读量3.4k

点赞数

分类专栏： python学习笔记

本文链接：https://blog.csdn.net/sb_Ihateyou/article/details/78633170

版权

python学习笔记专栏收录该内容

16 篇文章 0 订阅

订阅专栏

本文将引导您逐步创建一个简单的HTML爬虫，学习如何解析网页内容，提取关键信息。通过这个过程，您将理解HTTP请求、DOM遍历以及数据提取的基本原理。

摘要由CSDN通过智能技术生成

# HTML解析器
import re
from bs4 import BeautifulSoup
import urllib.parse


class HtmlParser(object):
    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
        new_urls = self._get_new_urls(page_url, soup)
        return new_urls

    def _get_new_urls(self, page_url, soup):  # 解析URL列表
        new_urls = set()
        links = soup.find_all('span', class_="link_title")
        for link in links:
            new_url = link.a['href']
            new_full_url = urllib.parse.urljoin(page_url, new_url)  # 以page_url的格式完整new_url
            new_urls.add(new_full_url)
        return new_urls

    def _get_new_data(self, page_url, soup):  # 解析数据
        res_data = {}

        # url
        res_data['url'] = page_url
        # <dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
        title_node = soup.find('span', class_="link_title")  # 标题
        res_data['title'] = title_node.a.get_text()

        summary_node = soup.find('div', class_="markdown_views")  # 正文
        if(len(summary_node.get_text()) ==0 ):
             return None
        res_data['summary'] = summary_node.get_text()
        return res_data

    def parse_data(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
        new_data = self._get_new_data(page_url, soup)
        return new_data