实践项目十：爬取百度百科Python词条相关1000个页面数据（慕课简单爬虫实战）

环境

• 操作系统：ubuntu 16.04
• python版本：python2.7

爬虫架构

根据上面的流程，开始爬取百度百科1000个页面。

运行流程

很详细的说明。

我们要爬取的信息为

对应在html源码中的信息为：

知道了需要获取那些信息和爬虫的基本流程，
下面我们结合每一部分的功能来实现具体的代码。

爬虫调度端

启动爬虫，停止爬虫，或者监视爬虫的运行情况。
我们以百度百科python词条的url为入口。编写主函数。

# coding:utf8
import url_manager, html_parser, html_downloader,html_outputer
class SpiderMain(object):

    def __init__(self):
        self.urls = url_manager.UrlManager() #url管理器
        self.downloader = html_downloader.HtmlDownLoader() #下载器
        self.parser = html_parser.HtmlParser() #解析器
        self.outputer = html_outputer.HtmlOutputer() #输出器

    def craw(self,root_url):
        count = 1
        print "count =",count
        #将入口url添加进url管理器（单个）
        self.urls.add_new_url(root_url)
        #启动爬虫的循环
        while self.urls.has_new_url():
            try:
                #获取待爬取的url
                new_url = self.urls.get_new_url()
                print 'craw %d : %s'%(count,new_url)
                #启动下载器下载html页面
                htm