[Python爬虫]爬取百度百科python相关的1000个页面

以下内容参考自：http://www.imooc.com/learn/563

《Python开发简单爬虫》

写在前面：花了两天的时间学习《Python开发简单爬虫》，将视频的主要内容保存成文字，供自己复习。版权归慕课网和讲视频的老师所有。

一、爬虫简介

爬虫：一段自动抓取互联网信息的程序

爬虫可以从一个url出发，访问其所关联的所有的url。并从每个url指向的网页中，获取我们所需要的信息。

二、简单爬虫架构 

1.Python简单爬虫架构

（1）爬虫调度端：启动爬虫、停止爬虫、监视爬虫的运行情况。

（2）在爬虫程序中，有三个模块：

1）Url管理器：管理将要爬取的url和已经爬取的url。将待爬取的url传送给网页下载器。
2）网页下载器：将Url指定的网页下载下来，保存为一个字符串。将这个字符串传送给网页解析器进行解析。
3）网页解析器：一方面，会解释出有价值的数据；另一方面，解析出字符串中的url，将其补充到url管理器。
这三个模块，形成了一个循环。只有有未爬取的url，这个循环就会一直继续下去。

2.Python简单爬虫架构的动态运行流程

三、分别讲解各模块设计思路

1.URL管理器

作用：管理待抓取URL集合和已抓取URL集合

目的：防止重复抓取、防止循环抓取

实现方式：

在这里，我们选用Python的set()来实现小型的url管理器

2.网页下载器

作用：将互联网上URL对应的网页下载到本地的工具

工作流程：

实现方式：

在这里，我们选择urllib2这个简单的模块，来实现代码的下载。

使用urllib2下载网页的三种方法：

<span style="font-size:12px;">#coding:utf8
import urllib2
import cookielib

url = "http://www.baidu.com"

print "first method"
response1 = urllib2.urlopen(url)
#if 200,succeed
print response1.getcode()
print len(response1.read())

print "second method"
request = urllib2.Request(url);
request.add_header("user_agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())

print "three method"
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print cj
print len(response3.read())</span>
3.网页解析器

作用：从网页中提取有价值的数据

从下载好的html网页或者字符串中，可以提取出url、有价值的数据。

类型：正则表达式、html.parser、BeautifulSoup、lxml

其中，BeautifulSoup这个第三方插件可以使用html.parser和lxml作为它的解析器。

其中，正则表达式是模糊匹配，另外三种则是结构化的解析。

附，结构化解析：

四、实战：使用Python爬虫抓取百度百科的1000个页面
1.分析目标
目标：百度百科Python词条相关词条网页-标题和简介
入口页：http://baike.baidu.com/view/21087.htm
URL格式：
--词条页面URL:/view/21087.htm
数据格式：
--标题：<dd class="lemmaWgt-lemmaTitle-title"><h1>***</h1></dd>
--简介：<div class="lemma-summary" label-module="lemmaSummary">***</div>
页面编码：UTF-8
2.调度程序
程序目录：

spider_main.py:
<span style="font-size:12px;"># coding:utf8

from baike_spider import url_manager, html_downloader, html_parser,\
    html_outputer

class SpiderMain(object):
    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
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print 'crow %d : %s' % (count, new_url)
                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
            
                if count == 1000:
                    break
                count = count + 1
            except:
                print 'craw failed'
        
        
        self.outputer.output_html()    
    
    



if __name__ == "__main__":
    root_url = "http://baike.baidu.com/view/21087.htm"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)
</span>
3.URL管理器
url_manager.py:
<span style="font-size:12px;"># 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
</span>

4.HTML下载器
html_downloader.py:
<span style="font-size:12px;"># 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
        
        return response.read()
  </span>


5.HTML解析器：
html_parser.py:
<span style="font-size:12px;"># coding:utf8

from bs4 import BeautifulSoup
import re;
import urlparse

class HtmlParser(object):
    
    
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /view/123.htm
        links = soup.find_all('a',href=re.compile(r"/view/\d+\.htm") )
        for link in links:
            new_url = link['href']
            new_full_url = urlparse.urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls
    
    
    def _get_new_data(self, page_url, soup):
        res_data = {}
        
        #url,current url
        res_data['url'] = page_url
        
        #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')  
        res_data['title'] = title_node.get_text()
        
        #<div class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('div', class_="lemma-summary")  
        res_data['summary'] = summary_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')
        new_urls = self._get_new_urls(page_url, soup)
        new_data = self._get_new_data(page_url, soup)
        return new_urls, new_data
    
    
</span>
6.HTML输出器：
html_outputer.py:
<span style="font-size:12px;"># coding:utf8

class HtmlOutputer(object):
    def __init__(self):
        self.datas = []
        
    
    
    def collect_data(self, data):
        if data is None:
            return
        self.datas.append(data)
        #print data

    
    def output_html(self):
        fout = open('output.html', 'w')
        
        fout.write('<html>')
        fout.write("<head><meta charset='utf-8'></head>")
        fout.write('<body>')
        fout.write('<table>')
        
        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('<td>%s</td>' % data['summary'].encode('utf-8'))
            fout.write('</tr>')
            
        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')
        
        fout.close()
    </span>
以上就是完整的实现代码啦。
五、运行结果
首先，在console中会打印出相应信息。

同时，还会输出一个html。

至此，结束。整个工程代码如下：
python爬虫-抓取百度百科页面