Python爬虫完整案例 - 爬取百度百科词条信息

概述

一个完整的爬虫，一般由以下5个组件构成:

1.URL管理器

负责维护待爬取URL队列和已爬取URL队列，必须拥有去重功能。

2.HTML下载器

负责根据调度器从URL管理器中取出的url，下载html页面数据

3.HTML解析器

负责解析HTML下载器下载的网页数据，从中提取新的url和目标数据，并将其返回

4.数据存储器

负责将HTML下载器返回的的数据保存到本地或数据库中

5.调度器

爬虫的核心组件。根据业务流程，调用其它组件完成数据抓取。

一般情况下，爬虫的入口URL在这里提供。

源码

首先，项目结构如下，每个组件使用一个模块文件

1.URL管理器

# !/usr/bin/env python
# -*- coding:utf-8 -*-


class UrlManager(object):
    """URL管理器"""

    def __init__(self):
        # 待爬去url集合
        self.new_urls=set()
        # 已爬取url集合
        self.old_urls=set()

    def new_urls_size(self):
        """获取新的url数量"""
        return len(self.new_urls)

    def old_urls_size(self):