Python实现简单爬虫

Python实现简单爬虫

本博客为本人学习Python过程中的总结,如有类同,纯属巧合。

  • 简介

    爬虫是一段自动抓取互联网信息的程序。它的价值是互联网数据为我所有。利用爬取到的数据,可以做很多的事情如:可以进行数据统计,对比;可以利用爬取的数据做某一方面的app;也可以利用爬取的数据做一个新闻阅读器等等。

  • 爬虫架构

    1)URL管理器
    2)网页下载器
    3)网页分析器
    4)爬虫调用器
    5)价值数据使用

  • 爬虫调用流程

    爬虫软件的执行的时序流程如下图:

  • 爬虫实现

    实现规划图

    爬虫实现

    1)调度器实现

    # coding:utf-8
    import url_manager
    import html_downloader
    import html_parser
    import html_outputer
    import url_manager
    class SpiderMain(object):
        def __init__(self):
            self.urls = url_manager.UrlManager()
            self.downloader = html_downloader.HtmlDownloader()
            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 %d : %s" % (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_data(new_data)
                    if count == 1000:
                        break
                    count = count + 1
                except:
                    print "craw failed"
            self.outputer.output_html()
    
    if __name__ == "__main__":
        root_url = "http://baike.baidu.com/view/21087.htm"
        obj_spider = SpiderMain()
        obj_spider.craw(root_url)
    

    2)URL管理器实现

    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
    

    3)URL下载器实现

    import urllib2
    class HtmlDownloader(object):
        def download(self, url):
            if url is None:
                return None
            response = urllib2.urlopen(url)
            if response.getcode() != 200:
                return None
            return response.read()
    

    4)URL解析器实现

    from bs4 import BeautifulSoup
    import re
    import urlparse
    class HtmlParser(object):
        def _get_new_urls(self, page_url, soup):
            new_urls = set()
            links = soup.find_all('a', href=re.compile(r"/view/\d+\.htm"))
            for link in links:
                new_url = link['href']
                new_full_url = urlparse.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
            title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1")
            res_data['title'] = title_node.get_text()
            summary_node = soup.find('div', class_="lemma-summary")
            res_data['summary'] = summary_node.get_text()
            return res_data
    
        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
    

    5)价值数据输出显示

    # coding:utf-8
    class HtmlOutputer(object):
        def __init__(self):
            self.datas = []
    
        def collect_data(self, data):
            if data is None:
                return
            self.datas.append(data)
    
        def output_html(self):
            fout = open('output.html', 'w')
            fout.write("<html>")
            fout.write("<meta charset=\"UTF-8\">")
            fout.write("<body>")
            fout.write("<table>")
            for data in self.datas:
                fout.write("<tr>")
                fout.write("<td>%s</td>" % data['url'])
                fout.write("<td>%s</td>" % data['title'].encode('utf-8'))
                fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))
                fout.write("</tr>")
            fout.write("</table>")
            fout.write("</body>")
            fout.write("</html>")
            fout.close()
    
  • 执行

    本爬虫为爬取百度百科与Python关键字相关的1000个静态网页,对网页中的数据,主要提取关键词和摘要信息,并将爬取的信息以HTML文件的方式存储,之后利用浏览器打开即可实现访问。

    具体详细实现信息,再次不做介绍,如有问题,可以参看下面教程链接。

  • 参考文献

    http://www.imooc.com/learn/563

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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