爬虫初探系列一共4篇,耐心看完,我相信你就能基本了解爬虫是怎样工作的了,目录如下:
代码已上传至github,在python2.7下测试成功(请原谅我浓浓的乡村非主流代码风格)summerliehu/SimpleSpiderFramework
上一篇谈到了控制整个爬虫循环的“调度器”,下面来谈谈URL管理器和下载器。
首先,还是来看看下面这张图,URL管理器到底应该具有哪些功能?URL下载器应该包含两个仓库,分别存放没有爬取过的链接和已经爬取过的链接。
应该有一些函数负责往上述两个仓库里添加链接
应该有一个函数负责从新url仓库中随机取出一条链接以便下载器爬取
URL下载器应该能识别重复的链接,已经爬取过的链接就不需要放进仓库了
如果一个URL管理器能够具有以上4点功能,也算是“麻雀虽小,五脏俱全”了。然而,链接去重这个功能,应该怎么实现?
链接去重是关系爬虫效率的一个比较关键的点,尤其是爬取的数据量极大的时候。在这个简单的例子里,由于数据量较少,我们不需要太过复杂的算法,直接借助于python的set()函数(查看说明)即可,该函数可以生成一个集合对象,其元素不可重复。以后我们再专门针对链接去重这个话题展开讨论。
根据以上分析,URL管理器的w代码如下:
'''UrlManager'''
class UrlManager(object):
def __init__(self):
#初始化的时候就生成两个url仓库
self.new_urls = set()
self.old_urls = set()
#判断新url仓库中是否还有没有爬取的url
def has_new_url(self):
return len(self.new_urls)
#从new_url仓库获取一个新的url
def get_new_url(self):
return self.new_urls.pop()
def add_new_url(self, url): #这个函数后来用不到了……
'''将一条url添加到new_urls仓库中parm url: strreturn:'''
if url is None:
return
#只需要判断old_urls中没有该链接即可,new_urls在添加的时候会自动去重
if url not in self.old_urls:
self.new_urls.add(url)
def add_new_urls(self, urls):
'''将多条url添加到new_urls仓库中parm url: 可迭代对象return:'''
print "start add_new_urls"
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
def add_old_url(self, url):
self.old_urls.add(url)
print "add old url succefully"
#获取已经爬取过的url的数目
def old_url_size(self):
return len(self.old_urls)
下面来说说下载器。
下载器的作用就是接受URL管理器传递给它的一个url,然后把该网页的内容下载下来。python自带有urllib和urllib2等库(这两个库在python3中合并为urllib),它们的作用就是获取指定的网页内容。不过,在这里我们要使用一个更加简洁好用而且功能更加强大的模块:Requests(查看文档)。
Requests并非python自带模块,需要安装。关于其具体使用方法请查看相关文档,在此不多做介绍。
下载器接受一个url作为参数,返回值为下载到的网页内容(格式为str)。下面就是一个简单的下载器,其中只有一个简单的函数download():
'''-----------------------------------------------------------------HtmlDownloader'''
class HtmlDownloader(object):
def download(self, url):
print "start download"
if url is None:
return None
print "url is None"
user_agent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'
headers = {'User-Agent':user_agent}
print "start requests"
r = requests.get(url, headers=headers)
#判断响应状态
if r.status_code == 200:
r.encoding = 'utf-8'
print "该页面下载成功!{}".format(url)
return r.text
else:
print "该页面下载失败!{}".format(url)
return None
在requests请求中设置User-Agent的目的是伪装成浏览器,这是一只优秀的爬虫应该有的觉悟。
URL管理器和下载器相对简单,下一节以百度百科的爬取为例,重点介绍解析器和数据存储器。
本文的写作过程中参考了以下资料:
《Python爬虫开发与项目实战》,范传辉 编著(推荐阅读)
《Python网络数据采集》[美] 米切尔(Ryan Mitchell) 著