爬虫应用——寻找乔丹相关10条URL

直接百度乔丹的URL是这样的:
root-url:

http://baike.baidu.com/link?url=Htp0lISd4ld46oenEs4HvYh13u8iTht9YxBpUY8e3QECSsxXYQRg_yr7R_wvRos3kWflwekkcn_5VuZsgEhFPY_oQAKj8xla3F6MXbCoDnirERpJEyVuHZ3uGGvpmfwVz_rsdygPH5wirnODhhSv2_

恩,的确非常恶心。我们需要寻找一个root-url,但是这样恶心的URL确实不能正常工作。
然后我用了一个笨办法,直接百度科比,然后找到乔丹的链接,查看元素并作为HTML编辑,OK,本尊出现:

http://baike.baidu.com/view/19096.htm

有了它后,就可以进行分析和编码了。
从之前的学习记录看,我们至少需要调度器spider_man,URL管理器url_manager,HTML解析器html_parser,HTML下载器html_downloader
计划输出结果保存成一个文件,所以,我们的文件结构是:

  • spider_man.py
  • url_manager.py
  • html_downloader.py
  • html_parser.py
  • outputer.py

查看网页上其他链接的格式,右击——查看元素——作为HTML编辑:

<a target="_blank" href="/view/32594.htm">芝加哥公牛队</a>

学习了BeautifulSoup官网上相关的筛选语法后,为了精确的定位我们想要的信息,可以这样:

new_urls=set()
        #<a target="_blank" href="/view/32594.htm">芝加哥公牛队</a>
      links=soup.find_all('a',href=re.compile(r"/view/\d+\.htm"))   #正则匹配
links=soup.find_all(target="_blank")

编码部分:
html_downloader.py:

#coding:utf8
import urllib2

class HtmlDownloader(object):

    def download(self,url):
        if url is None:
            return None
        response = urllib2.urlopen(url)

        if response.getcode()!=200:
            return None
        #print response.read()
        return response.read()

outputer.py:

#coding:utf8

class HtmlOutputer(object):

    def __init__(self):
        self.datas=[]

    def collect_data(self,data):
        if data is None:
            return
        self.datas.append(data)

    def output_html(self):
        fout=open('output.html','w')
        fout.write('<html>')
        fout.write('<body>')
        fout.write('<table border="1px solid #000">')

        for data in self.datas:
               fout.write('<tr>')
               fout.write('<td>%s</td>' %data['url'])
               fout.write('<td>%s</td>' %data['title'].encode('utf-8'))
               fout.write('</tr>')

        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')
        fout.close()

html_parser.py:

#coding:utf8
from bs4 import BeautifulSoup
import re
import urlparse

class HtmlParser(object):
    def _get_new_urls(self,page_url,soup):
        new_urls=set()
        #<a target="_blank" href="/view/32594.htm">芝加哥公牛队</a>
        links=soup.find_all('a',href=re.compile(r"/view/\d+\.htm"))   #正则匹配
        links=soup.find_all(target="_blank")
        for link in links:
            new_url=link['href']
            new_full_url=urlparse.urljoin(page_url,new_url)
            new_urls.add(new_full_url)
        #print new_urls
        return new_urls

    def _get_new_data(self,page_url,soup):
        res_data={}
        res_data['url']=page_url
        #<dd class="lemmaWgt-lemmaTitle-title">
        #<h1>迈克尔·乔丹</h1>
        title_node=soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")
        res_data['title']=title_node.get_text()

        return res_data        

    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')

        #print soup
        new_urls=self._get_new_urls(page_url,soup)
        print new_urls
        new_data=self._get_new_data(page_url,soup)
        return new_urls,new_data

url_manager.py:

#coding:utf8

class UrlManager(object):
    def __init__(self):
        self.new_urls=set()
        self.old_urls=set()
    def add_new_url(self,url):
        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):
        if urls is None or len(urls)==0:
            return
        for url in urls :
            self.add_new_url(url)

    def has_new_url(self):
        return len(self.new_urls)!=0

    def get_new_url(self):
        new_url=self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

spider_man.py:

#coding: utf8
import url_manager,html_downloader,html_outputer,html_parser

class SpiderMain(object):
    """docstring for SpiderMain"""
    def __init__(self):
        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):
        count=1   #爬取第几个URL
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url=self.urls.get_new_url()
                print 'NO.%d: %s' % (count,new_url)
                html_cont=self.downloader.download(new_url)

                # 解析得到URL和数据
                new_urls, new_data=self.parser.parse(new_url,html_cont)
                print new_urls
                #print new_data
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
                if count==20:
                    break
                count=count+1
            except Exception, e:
                print e
        #print count
        self.outputer.output_html()

if __name__ == "__main__":
    root_url="http://baike.baidu.com/view/19096.htm"
    obj_spider=SpiderMain()
    obj_spider.craw(root_url);

获得结果:



http://baike.baidu.com/view/19096.htm迈克尔·乔丹
http://baike.baidu.com/view/1091423.htm杰里·斯隆
http://baike.baidu.com/view/62675.htm卡尔·马龙
http://baike.baidu.com/view/571202.htm公国
http://baike.baidu.com/subview/4466937/15093391.htm赛季
http://baike.baidu.com/view/582.htmNBA
http://baike.baidu.com/view/1795775.htm篮圈
http://baike.baidu.com/view/1124818.htm迈克尔·里德
http://baike.baidu.com/view/36806.htm蒂姆·邓肯
http://baike.baidu.com/view/1140.htmNBA季前赛

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值