python调度器_Python基本爬虫(调度器)

# -*-encoding:utf-8 -*-

from DataOutput import DataOutput

from HtmlDownloader import HtmlDownloader

from HtmlParser import HtmlParse

from URLmanager import UrlManager

class SpiderMan(object):

def __init__(self):

super(SpiderMan, self).__init__()

self.manager = UrlManager()

self.downloader = HtmlDownloader()

self.parser = HtmlParse()

self.output = DataOutput()

def crawl(self,root_url):

#添加入口url

self.manager.add_new_url(root_url)

#判断url管理器中是否有新的url

while(self.manager.has_new_url()and self.manager.old_url_size()<100):

try:

print("1")

#从URL管理器获取新的url

new_url = self.manager.get_new_url()

print("2")

#从HTML下载器下载网页

html = self.downloader.download(new_url)

print("3")

#HTML解析器对网页进行解析

new_urls,data = self.parser.parse(new_url,html)

#将抽取的url添加到url管理器中

print("4")

self.manager.add_new_urls(new_urls)

#数据存储器存储文件

print("5")

#print(data)

self.output.store_data(data)

print("已经抓取%s个链接"%self.manager.old_url_size())

except Exception as e:

print("crawl failed")

self.output.output_html()

if __name__ == '__main__':

Spider_Man = SpiderMan()

Spider_Man.crawl("http://baike.baidu.com/view/284853.html")

由于在解析html页面时没有对获取到的超链接进行很好的提取所以能获取到的数据有限

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值