Python入门简单的静态网页爬虫3.0 (爬虫的示例代码）

最新推荐文章于 2024-08-17 20:45:04 发布

weixin_34174132

最新推荐文章于 2024-08-17 20:45:04 发布

阅读量230

点赞数

文章标签：爬虫 python 开发工具

原文链接：https://my.oschina.net/aichirou/blog/668625

版权

2019独角兽企业重金招聘Python工程师标准>>>

一、需求分析

爬取百度词条Python页面的相关100个页面，分析目标：分析（url格式数据格式网页编码）。url格式限定了爬取的网页格式避免一些不相干的网页的爬取。数据格式主要是内容中相关的标签，网页编码则是为了正确解析网页。

参考视频中的内容简介如下：入口URL在我们打开的Python词条的地址栏中可以得到，为： http://baike.baidu.com/view/21087.html数据格式则是在页面上右键审查元素后选择edit as

HTML可以看到。网页编码在选择审查元素后上拉找到head标签下的<meta charset="UTF-8">可得为万国码。

二、示例代码

2.1 调度程序

在eclipse中创建一个package然后创建对应的module。在前两篇文章中提到的

spider_main
html_parser
html_downloader,
url_manager
html_outputer

如图：

2.2 spider_main代码编写：

 if __name__ == '__main__':
    
    root_url = #将此作为入口URL
    
    obj_spider = SpiderMain()
    
    obj_spider.craw(root_url)#调用spider里的craw方法来开始爬虫

总调度程序的编写

 class SpiderMain(object):
    def __init__(self): #初始化构造函数
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.output = html_outputer.HtmlOutputer()#初始化各个对象
        
        编写完成后还要记得将各个对象和方法在各个模块中初始化

 def craw(self, root_urls):
        count = 1 #记录当前爬取的URL个数
        self.urls.add_new_url(root_urls)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print('craw %d:%s' %(count, new_url))
                html_cout = self.downloader.downloader(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cout)
                self.urls.add_new_urls(new_urls)
                self.output.collect_data(new_data)
                if count == 100:
                    break
                count += 1
            except Exception as e:
                print('craw fails--', e)#这里一个小小的改写能将爬取遇到的问题能及时打印出来
        self.output.output()
        也要及时在对应模块中创建相应的方法

2.3URL管理器模块代码的编写

首先再想一想该模块要提供的方法：

添加一个新的未爬取的URL
添加新的未爬取一系列URL
判断管理器中是否有待爬取的URL
从管理器中获取一个新的URL

之前提到过要在该模块中初始化两个列表来保存已经爬取过的URL和待爬取的URL

 def __init__(self):
        self.new_urls = set()#新的URL列表
        self.old_urls = set()#已经爬取过的URL列表

添加新的URL：

 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:#参数判断
            self.new_urls.add(url)

批量添加的方法类似：

 def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

判断是否有待爬取的URL：

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

从管理器获取URL并删除后添加到已爬取列表

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

2.4 html_downloader 相关代码的编写

html_downloader只需要对外提供一个downloader方法，参照上面的代码可得：

 def downloader(self, url):
        if url is None:
            return None #参数判断
        response = urllib.request.urlopen(url）
        if response.getcode() != 200:
            return None
        return response.read()

2.5 html_parser相关代码的编写

主要实现包括新的URL的解析和内容的解析：

 def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # 词条url
        links = soup.find_all("a", href=re.compile(r"/view/\d+\.htm"))#模糊正则匹配
        for link in links:
            new_url = link['href']
            new_full_url = urllib.parse.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
        res_data['url'] = page_url
        # <dd class="lemmaWgt-lemmaTitle-title">
        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_cout):
        if page_url is None or html_cout is None: #参数判断
            return
        soup = BeautifulSoup(html_cout, 'html.parser', from_encoding='utf-8')
        new_data = self._get_new_data(page_url, soup)
        new_urls = self._get_new_urls(page_url, soup)
        return new_urls, new_data

2.6 html_outputer相关代码的编写

这里要提供两个方法，收集数据和输出数据。

  def output(self):
        fout = open('output.html', 'w')
        fout.write("<html>")
        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()
    def collect_data(self, data):
        if data is None:
            return
        self.datas.append(data)