python爬虫学习一

课程目标

  • 爬取百度百科Python词条相关多个页面的词条和简述
  • 并将数据以表格的形式保存成html

程序包含五个模块

1. spider_main.py

爬虫主调度器: 负责调度其他的模块,使程序能够正常运行
代码如下:

import url_manager
import html_downloader
import html_parser
import html_outputer

class SpiderMain(object):
    """爬虫的主调度器"""
    def __init__(self):
        self.urlManager = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    def craw(self, url):
        # 添加root_url即第一个url
        count = 1
        self.urlManager.add_new_url(url)
        while self.urlManager.has_new_url:
            try:
                new_url = self.urlManager.get_new_url()
                print('{0}: craw {1}'.format(count, new_url))
                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.parser(new_url, html_cont)
                self.urlManager.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)

                if count == 100:
                    break

                count += 1
            except:
                print('{0}: craw {1} failed'.format(count, new_url))

        self.outputer.output()

if __name__ == '__main__':
    root_url = "http://baike.baidu.com/item/Python"
    spiderMain = SpiderMain()
    spiderMain.craw(root_url)

2. url_manager.py

url管理器: 管理解析到的url,避免重复爬取
代码如下:

class UrlManager(object):
    """url 管理器,避免重复爬取"""
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    def get_new_url(self):
        """获取待爬取的新url"""
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)      #新的URL爬取后,添加到old_urls中
        return new_url

    def add_new_url(self, url):
        """添加解析的新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):
        """添加解析到的新urls列表"""
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    def has_new_url():
        """判断是否有新的待爬取的url"""
        return len(self.new_urls) != 0

3. html_downloader.py

html下载器:下载url对应的html文档
代码如下:

import urllib.request

class HtmlDownloader(object):
    """html下载器"""

    def download(self, url):
        """下载url对应的html文档"""
        if url is None:
            return
        response = urllib.request.urlopen(url)
        if response.getcode() != 200:
            return
        return response.read()

4. html_parser.py

html解析器: 解析html文档,抽取需要的数据
用到的第三方库: beautifulsoup4
代码如下:

import re
from bs4 import BeautifulSoup

class HtmlParser(object):
    """html解析器"""

    def parser(self, url, html):
        """解析html,返回new_urls集合和new_data字典"""
        if html is None or url is None:
            return

        soup = BeautifulSoup(html, 'html.parser')
        new_urls = self._get_new_urls(soup)
        new_data = self._get_new_data(url, soup)

        return new_urls, new_data

    def _get_new_urls(self, soup):
        # <a target="_blank" href="//www.greatytc.com/item/Guido%20van%20Rossum">Guido van Rossum</a>
        # '/item/[\w %]+' 匹配 '/item/' 后面跟着多于一个的字母或空格或%的字符串
        links = soup.find_all('a', href = re.compile(r'/item/[\w %]+'))

        new_urls = set()
        for link in links:
            new_url = link['href']
            new_full_url = 'http://baike.baidu.com' + new_url
            new_urls.add(new_full_url)

        return new_urls

    def _get_new_data(self, url, soup):
        # <dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1> .... </dd>
        # <div class="lemma-summary" label-module="lemmaSummary">....</div>
        new_data = {}
        new_data['url'] = url
        title_node = soup.find('dd', class_ = 'lemmaWgt-lemmaTitle-title')
        if title_node is not None:
            new_data['title'] = title_node.get_text()
        else:
            new_data['title'] = 'Oops'

        brief_node = soup.find('div', class_ = 'lemma-summary')
        if brief_node is not None:
            new_data['brief'] = brief_node.get_text()
        else:
            new_data['brief'] = 'Oops'

        return new_data

5. html_outputer.py

html输出器: 收集数据,将数据以表格的形式在浏览器中呈现出来
代码如下:

class HtmlOutputer(object):
    """将爬取到数据包装成html"""
    def __init__(self):
        self.datas = []

    def collect_data(self, new_data):
        if new_data is None:
            return
        self.datas.append(new_data)

    def output(self):
        # 设置utf-8,防止中文乱码
        fout = open('output.html', 'w', encoding = 'utf-8')

        fout.write('<html>')
        fout.write('<head>')
        fout.write('<link rel="stylesheet" type="text/css" href="my_style.css">')
        fout.write('</head>')
        fout.write('<body>')
        fout.write('<table>')
        fout.write('<tr><th>词条</th><th>简述</th></tr>')

        for data in self.datas:
            fout.write('<tr><td>{0}</td><td>{1}</td></tr>'.format(data['title'], data['brief']))

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

        # 不要忘了close()
        fout.close()

下一步学习

  1. 熟悉python基础语法
  2. 学习urllib库和beautifulsoup4库的使用
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,817评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,329评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,354评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,498评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,600评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,829评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,979评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,722评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,189评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,519评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,654评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,940评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,762评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,993评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,382评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,543评论 2 349

推荐阅读更多精彩内容

  • 环境管理管理Python版本和环境的工具。p–非常简单的交互式python版本管理工具。pyenv–简单的Pyth...
    MrHamster阅读 3,788评论 1 61
  • 其实node.js也可以做爬虫,相信前端的同学已经有所了解,但今天我们要讲的是如何用python,python实现...
    我是上帝可爱多阅读 347评论 0 3
  • 这几天发现一个比较适合Python爬虫初学者的网站,我是跟着里边的kingname老师学习,这就当作是一个学习笔记...
    MuYi0420阅读 510评论 0 4
  • 1.坑你发自真心 原来一个下属小A这些日子准备跳槽,于是开启了休息日和请假去面试的旅程,不过并不顺利,他向我吐槽有...
    别看名字看内容阅读 507评论 1 2
  • 看着你对我明显的示好,我知道你已经意识到自己那天说话太冲。 开始也确实不想搭理你,你用送礼的事情做开头,不过是为了...
    简单Apirl阅读 105评论 0 0