初学python爬虫

上代码之前先说下这个简易爬虫框架的思路:

目标:爬取百度百科python下的所有带标签的链接

相关模块及框架:urllib BeautifulSoup

这是一个简单的爬虫框架,主要分5个模块:调度器、url管理器、html下载器、html解析器、html输出器

调度器:爬虫的入口

url管理器:首先把入口url交给下载器,下载器下载html数据,交给解析器,解析器解析到需要的数据并存储,同时得到新的的url并把url交给url管理器,用于下一条数据的下载

知道没有url或爬虫终端,输出结果

上代码:

1,调度器

from MySpider import urls_manager, html_downloader, html_paser, html_outer


class LegendSpider(object):
    def __init__(self):
        # url管理器
        self.url_manager = urls_manager.UrlManager()
        # html下载器
        self.downloader = html_downloader.HtmlDownloader()
        # HTML解析器
        self.parser = html_paser.HtmlParser()
        # html输出器
        self.outer = html_outer.Htmlouter()

    # 开始爬虫
    def start_crow(self):
        count = 1
        # 把爬虫的入口url添加到url管理器
        self.url_manager.add_new_url(root_url)
        # 当URL管理器里面有url时继续爬虫
        while self.url_manager.has_new_url():
            try:
                # 获取到url管理器的url
                new_url = self.url_manager.get_new_url()
                print('craw: %d: %s' % (count, new_url))
                # 通过URL下载器把刚获取到的url内容下载下来
                html_content = self.downloader.download_html(new_url)
                # 通过url解析器解析到下载下来的HTML内容,获取到新的url和需要的数据
                new_urls, new_data = self.parser.parse(new_url, html_content)
                # 把获取到的新的url继续添加到URL管理器,用于后面继续爬虫
                self.url_manager.add_new_urls(new_urls)
                # 把爬取到的数据收集起来
                self.outer.collect_datas(new_data)
                if count == 50:
                    break
                count = count+1
            except:
                print('craw failed')
        # 将爬取到的数据输出
        self.outer.out_put()


if __name__ == '__main__':
    # 爬虫入口
    root_url = 'https://baike.baidu.com/item/Python'
    # 创建爬虫调度器类
    spider_obj = LegendSpider()
    # 调度器对象调用开始爬虫方法
    spider_obj.start_crow()
2,url管理器

class UrlManager(object):
    def __init__(self):
        # 初始化时候定义未爬取、已爬取两个url set
        self.new_urls = set()
        self.old_urls = set()

    # 添加新的url
    def add_new_url(self, new_url):
        if new_url is None:
            return
        if new_url not in self.new_urls and new_url not in self.old_urls:
            self.new_urls.add(new_url)

    # 添加新的多个url
    def add_new_urls(self, new_urls):
        if new_urls is None or len(new_urls) == 0:
            return
        for new_url in new_urls:
            self.add_new_url(new_url)

    # 是否还有未爬取的url
    def has_new_url(self):
        return len(self.new_urls) != 0

    # 获取未爬取的url
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url
3,html下载器

from urllib import request


class HtmlDownloader(object):

    # 下载url相应页面的数据
    def download_html(self, new_url):
        if new_url is None:
            return None
        with request.urlopen(new_url) as f:
            if f.status != 200:
                return None
            return f.read().decode('utf-8')

4,html解析器

import re
from urllib import parse

from bs4 import BeautifulSoup


class HtmlParser(object):
    def parse(self, page_url, html_content):
        if page_url is None or html_content is None:
            return
        # 解析使用第三方框架BeautifulSoup
        soup = BeautifulSoup(html_content, "html.parser")
        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 target = "_blank" href = "/item/%E6%95%99%E5%AD%A6" > 教学 < / a >
        links = soup.find_all('a', href=re.compile(r'/item/[0-9a-zA-Z%]+'))
        for link in links:
            new_url = link['href']
            full_url = parse.urljoin(page_url, new_url)
            new_urls.add(full_url)
        return new_urls

    def get_new_data(self, page_url, soup):
        new_data = {'url': page_url}
        # <dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        new_data['title'] = title_node.get_text()
        # < div class ="lemma-summary" label-module="lemmaSummary" >
        summary_node = soup.find('div', class_='lemma-summary')
        new_data['summary'] = summary_node.get_text()
        return new_data

5,html输出器

class Htmlouter(object):
    def __init__(self):
        self.datas = []
    def collect_datas(self, new_data):
        if new_data is None:
            return
        self.datas.append(new_data)

    # 输出html格式文件
    def out_put(self):
        fout = open('out.html', 'w', encoding='utf-8')
        fout.write('<html>')
        fout.write('<head>')
        # 网页的编码格式为utf - 8
        fout.write('<meta charset = "UTF-8"/>')
        fout.write('</head>')
        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'])
            fout.write('<td>%s</td>' % data['summary'])
            fout.write('</td>')
            fout.write('</tr>')
        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')

结果就是这样式儿的:


  • 0
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python爬虫可以用于高德地图数据的获取和分析。高德地图是一家提供地理位置信息和导航服务的公司,通过Python爬虫可以获取高德地图上的各种数据,例如地点信息、地理编码、路线规划等等。 要开始使用Python爬取高德地图的数据,首先需要学习Python基础知识和爬虫相关的知识。Python是一种简单易学且功能强大的编程语言,适合于初学者入门。你可以通过阅读Python入门书籍或观看Python入门视频来快速上手。 在学习Python基础后,可以进一步学习爬虫相关的知识。爬虫技术可以帮助我们从互联网上抓取所需的数据。Python有很多优秀的爬虫框架,例如Scrapy和Beautiful Soup,它们可以大大简化爬虫的开发过程。你可以通过阅读爬虫相关的书籍和教程来深入学习爬虫技术。 当你对Python基础和爬虫技术有一定的了解后,你可以开始使用Python爬虫来获取高德地图的数据。首先,你需要确定你要获取的数据类型,例如地点信息或者路线规划。然后,你可以使用Python爬虫框架中的相关库来发送HTTP请求并解析返回的数据。你可以通过查阅高德地图的API文档来了解如何构造请求和解析返回的数据。 此外,你还可以参考一些实战案例来学习如何使用Python爬虫获取高德地图的数据。实战案例可以帮助你将理论知识应用到实际中,并提供一些常见问题的解决方法。你可以在开发工具和学习书籍中寻找一些实战案例来进行学习和练习。 总之,要使用Python爬虫获取高德地图的数据,你需要掌握Python基础知识、爬虫相关的知识,并参考实战案例来进行学习和实践。通过这样的学习和实践,你将能够熟练地使用Python爬虫来获取高德地图的数据,为后续的数据分析和处理提供支持。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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