作者 | JAP君
来源 | JAVAandPython君
01 写在前面
我们日常写小爬虫都是一个 py 文件加上几个请求,但是如果你去写一个正式的项目时,你必须考虑到很多种情况,需要把这些功能全部模块化,使爬虫更健全。
02 基础爬虫的架构以及运行流程
首先,给大家来讲讲基础爬虫的架构到底是啥样子的?JAP 君给大家画了张粗糙的图:
从图上可以看到,整个基础爬虫架构分为 5 大类:爬虫调度器、URL 管理器、HTML 下载器、HTML 解析器、数据存储器。
下面给大家依次来介绍一下这 5 个大类的功能:
爬虫调度器,主要是配合调用其他四个模块,所谓调度就是调用其他的模板
URL 管理器,就是负责管理 URL 链接的,URL 链接分为已经爬取的和未爬取的,这就需要 URL 管理器来管理它们,同时它也为获取新 URL 链接提供接口。
HTML 下载器,就是将要爬取的页面的 HTML 下载下来。
HTML 解析器,就是将要爬取的数据从 HTML 源码中获取出来,同时也将新的 URL 链接发送给 URL 管理器以及将处理后的数据发送给数据存储器。
数据存储器,就是将 HTML 下载器发送过来的数据存储到本地。
03 实战爬取菜鸟笔记信息
差不多就介绍这么些东西,相信大家对整体的架构有了初步的认识,下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息:
我们来获取上面列表中的信息,这里我就省略了分析网站的一步,如果大家不会分析,可以去看我之前写的爬虫项目。
首先,来写一下URL 管理器(URLManage.py)
1class URLManager(object):
2 def __init__(self):
3 self.new_urls = set()
4 self.old_urls = set()
5
6 def has_new_url(self):
7 # 判断是否有未爬取的 url
8 return self.new_url_size()!=0
9
10 def get_new_url(self):
11 # 获取一个未爬取的链接
12 new_url = self.new_urls.pop()
13 # 提取之后,将其添加到已爬取的链接中
14 self.old_urls.add(new_url)
15 return new_url
16
17 def add_new_url(self, url):
18 # 将新链接添加到未爬取的集合中(单个链接)
19 if url is None:
20 return
21 if url not in self.new_urls and url not in self.old_urls:
22 self.new_urls.add(url)
23
24 def add_new_urls(self,urls):
25 # 将新链接添加到未爬取的集合中(集合)
26 if urls is None or len(urls)==0:
27 return
28 for url in urls:
29 self.add_new_url(url)
30
31 def new_url_size(self):
32 # 获取未爬取的 url 大小
33 return len(self.new_urls)
34
35 def old_url_size(self):
36 # 获取已爬取的 url 大小
37 return len(self.old_urls)
在这里主要就是两个集合,一个是已爬取 URL 的集合,另一个是未爬取 URL 的集合。这里我使用的是 set 类型,因为 set 自带去重的功能。
接下来,HTML 下载器(HTMLDownload.py)
1import requests
2class HTMLDownload(object):
3 def download(self, url):
4 if url is None:
5 return
6 s = requests.Session()
7 s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
8 res = s.get(url)
9 # 判断是否正常获取
10 if res.status_code == 200:
11 res.encoding='utf-8'
12 res = res.text
13 return res
14 return None
可以看到这里我们只是简单的获取了,url 中的 html 源码
接着看HTML 解析器(HTMLParser.py)
1import re
2from bs4 import BeautifulSoup
3class HTMLParser(object):
4
5 def parser(self, page_url, html_cont):
6 '''
7 用于解析网页内容,抽取 URL 和数据
8 :param page_url: 下载页面的 URL
9 :param html_cont: 下载的网页内容
10 :return: 返回 URL 和数据
11 '''
12 if page_url is None or html_cont is None:
13 return
14 soup = BeautifulSoup(html_cont, 'html.parser')
15 new_urls = self._get_new_urls(page_url, soup)
16 new_data = self._get_new_data(page_url, soup)
17 return new_urls, new_data
18
19 def _get_new_urls(self,page_url,soup):
20 '''
21 抽取新的 URL 集合
22 :param page_url:下载页面的 URL
23 :param soup: soup 数据
24 :return: 返回新的 URL 集合
25 '''
26 new_urls = set()
27 for link in range(1,100):
28 # 添加新的 url
29 new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
30 new_urls.add(new_url)
31 print(new_urls)
32 return new_urls
33
34 def _get_new_data(self,page_url,soup):
35 '''
36 抽取有效数据
37 :param page_url:下载页面的 url
38 :param soup:
39 :return: 返回有效数据
40 '''
41 data={}
42 data['url'] = page_url
43 title = soup.find('div', class_='post-intro').find('h2')
44 print(title)
45 data['title'] = title.get_text()
46 summary = soup.find('div', class_='post-intro').find('p')
47 data['summary'] = summary.get_text()
48 return data
在这里,我们将 HTML 下载器的源码进行了分析和解析,从而得到了我们想要拿到的数据。
继续看,数据存储器(DataOutput.py)
1import codecs
2class DataOutput(object):
3
4 def __init__(self):
5 self.datas = []
6
7 def store_data(self,data):
8 if data is None:
9 return
10 self.datas.append(data)
11
12 def output_html(self):
13 fout = codecs.open('baike.html', 'a', encoding='utf-8')
14 fout.write("<html>")
15 fout.write("<head><meta charset='utf-8'/></head>")
16 fout.write("<body>")
17 fout.write("<table>")
18 for data in self.datas:
19 fout.write("<tr>")
20 fout.write("<td>%s</td>"%data['url'])
21 fout.write("<td>《%s》</td>" % data['title'])
22 fout.write("<td>[%s]</td>" % data['summary'])
23 fout.write("</tr>")
24 self.datas.remove(data)
25 fout.write("</table>")
26 fout.write("</body>")
27 fout.write("</html>")
28 fout.close()
大家可能发现我这里是将数据存储到一个 html 的文件当中,在这里你当然也可以存在 Mysql 或者 csv 等文件当中,这个看自己的选择,我这里只是为了演示所以就放在了 html 当中。
最后一个,爬虫调度器(SpiderMan.py)
1from base.DataOutput import DataOutput
2from base.HTMLParser import HTMLParser
3from base.HTMLDownload import HTMLDownload
4from base.URLManager import URLManager
5
6class SpiderMan(object):
7 def __init__(self):
8 self.manager = URLManager()
9 self.downloader = HTMLDownload()
10 self.parser = HTMLParser()
11 self.output = DataOutput()
12
13
14 def crawl(self, root_url):
15 # 添加入口 URL
16 self.manager.add_new_url(root_url)
17 # 判断 url 管理器中是否有新的 url,同时判断抓取多少个 url
18 while(self.manager.has_new_url() and self.manager.old_url_size()<100):
19 try:
20 # 从 URL 管理器获取新的 URL
21 new_url = self.manager.get_new_url()
22 print(new_url)
23 # HTML 下载器下载网页
24 html = self.downloader.download(new_url)
25 # HTML 解析器抽取网页数据
26 new_urls, data = self.parser.parser(new_url, html)
27 print(new_urls)
28 # 将抽取的 url 添加到 URL 管理器中
29 self.manager.add_new_urls(new_urls)
30 # 数据存储器存储文件
31 self.output.store_data(data)
32 print("已经抓取%s 个链接" % self.manager.old_url_size())
33 except Exception as e:
34 print("failed")
35 print(e)
36 # 数据存储器将文件输出成指定的格式
37 self.output.output_html()
38
39
40if __name__ == '__main__':
41 spider_man = SpiderMan()
42 spider_man.crawl("http://www.runoob.com/w3cnote/page/1")
相信这里大家都能看懂,我就是将前面我们写的四个模板在这里把它们调用了一下,运行后的结果如下:
04 总结
本文简单讲解了一个爬虫实战项目架构所包括的五个模板,无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板,希望以后写爬虫项目也参照这种架构去写,这样你的爬虫看起来就会更规范、健全。