python3爬虫简单介绍

最新推荐文章于 2024-04-01 13:30:49 发布

Wu_Jianing

最新推荐文章于 2024-04-01 13:30:49 发布

阅读量219

点赞数

分类专栏：爬虫 python 文章标签： python

本文链接：https://blog.csdn.net/wu_jianing/article/details/104120030

版权

python 同时被 2 个专栏收录

13 篇文章 1 订阅

订阅专栏

爬虫

2 篇文章 0 订阅

订阅专栏

本文是为了防止自己以后忘了，小白可以参考，大神请绕道~
先来扫盲，什么是爬虫：爬虫就是一系列按照某种规则自动从网上爬取信息的代码或者脚本。
本文代码功能：从百度百科里面爬取20个和python相关的词条的链接，标题及内容（代码来自于慕课网视频，自己看完视频写了一遍，做了部分更改：将Python2变成python3；更新链接的提取方式，视频里的用不了了。应该也算是原创了，感兴趣的同学请戳https://www.imooc.com/video/10694）。

爬虫代码分为五个模块，分为爬虫调度器，url 管理器，html下载器，html解析器，html输出器。
在这里插入图片描述
首先是调度器：负责掌控整个爬取过程

import html_downloader
import html_outputer
import html_parser
import url_manager


class SipderMain(object):
    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDowner()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    def craw(self, root_url):
        count = 1
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print('craw {} : {}'.format(count, new_url))
                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_date(new_data)
                if count == 20:
                    break

                count += 1
            except:
                print('craw failed')
        self.outputer.output_html()


if __name__ == '__main__':
    root_url = r'https://baike.baidu.com/item/Python/407313?fr=aladdin'
    obj_spider = SipderMain()
    obj_spider.craw(root_url)

然后是url管理器：负责管理url，添加、判断、获取url

class UrlManager(object):
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    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:
            self.new_urls.add(url)

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

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

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

然后是html下载器：负责读取html内容

import urllib.request


class HtmlDowner(object):
    def download(self, url):
        if url is None:
            return None

        response = urllib.request.urlopen(url)

        if response.getcode() != 200:
            return None

        return response.read()

然后是htm解析器：负责解析html内容

import re
from urllib.parse import urljoin
from bs4 import BeautifulSoup


class HtmlParser(object):
    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return

        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
        new_urls = self._get_new_urls(page_url, soup)
        new_data = self._get_new_data(page_url, soup)

        return new_urls, new_data

    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        #<a href="#2">下载Python</a>
        links = soup.find_all('a', href=re.compile('/item/*'))
        for link in links:
            new_url = link['href']
            new_full_url = urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls

    def _get_new_data(self, page_url, soup):
        res_data = {}

        res_data['url'] = page_url

        #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
        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

最后是html输出器：负责将爬取到的结果格式化输出

class HtmlOutputer(object):
    def __init__(self):
        self.datas = []

    def collect_date(self, data):
        if data is None:
            return
        self.datas.append(data)

    def output_html(self):
        fout = open('output.html', 'w', encoding='utf-8')
        fout.write('<html>')
        fout.write('<body>')
        fout.write('<table>')
        for data in self.datas:
            fout.write('<tr>')
            fout.write('<td> {} </td>'.format(data['url']))
            fout.write('<td> {} </td>'.format(data['title']))
            fout.write('<td> {} </td>'.format(data['summary']))
            fout.write('</tr>')

        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')
        fout.close()

最后的结果就是这样子：
在这里插入图片描述

Wu_Jianing

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
python3爬虫简单介绍

本文是为了防止自己以后忘了，小白可以参考，大神请绕道~先来扫盲，什么是爬虫：爬虫就是一系列按照某种规则自动从网上爬取信息的代码或者脚本。本文代码功能：从百度百科里面爬取20个和python相关的词条的链接，标题及内容（代码来自于慕课网视频，自己看完视频写了一遍，做了部分更改：将Python2变成python3；更新链接的提取方式，视频里的用不了了。应该也算是原创了，感兴趣的同学请戳https:...
复制链接

扫一扫