python爬虫代码示例-Python入门简单的静态网页爬虫3.0 (爬虫的示例代码）

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

（待更）