一、序言
先前几篇爬虫的代码,是简单的脚本代码。在爬取小网页觉得挺简单、高效,但涉及复杂网页的时候,就要考虑成熟的爬虫框架与分布式。本篇博客作为无框架式爬虫和有框架式爬虫的一个过渡,介绍具有框架式思维的爬虫^_^。
二、框架结构图
通常爬虫分为五个部分,分别为:爬虫调度器、URL管理器、网页下载器、网页解析器与数据存储器。各部分的作用如下:
模块名称 | 作用 |
---|---|
爬虫调度器 | 统筹调度其他四个模块之间的协调工作,可以理解为爬虫框架的司令部。 |
URL管理器 | 管理URL链接,维护新URL集合(未爬取的链接)与旧URL集合(已爬取的链接); 同时提供获取新URL链接的接口。 |
网页下载器 | 从URL管理器中获取未爬取的链接,并下载网页。 |
网页解析器 | 将网页下载器下载的网页进行解析,从中提取新的链接给URL管理器,将提取的有效数据返回给数据存储器。 |
数据存储器 | 将网页解析出的有效数据进行存储。 |
三、物种管理器介绍
通常写爬虫,我们先分析url,写出url管理器模块;然后写网页下载器,这个比较简单;根据url网页内容写出网页解析器模块;根据解析器的有效数据类型,选择合适的存储方式文件或者数据库。
(一)URL管理器
该模块主要维护两个变量:以爬取的URL集合和未爬取的URL集合。之所以选择集合是因为集合中元素不能重复的特点,这就给url进行了一个去重。
该模块的主要接口有:
(二)网页下载器
该模块主要用到的库为requests,当然大家也可以根据自己需要选择urllib库等。具有的接口为:download(url)。
(三)网页解析器
用于解析的库主要用到BeautifulSoup、lxml等。提供一个parser对外的接口。
(四)数据存储器
数据存储器主要包括两个方法:store_data(data)用于将解析出来的有效数据存储到内存;output_html()用于将存储的数据输出到指定的文件或者数据库。
(五)爬虫调度器
该模块首先要初始化其他四个模块,通过crawl(root_url)方法将起始链接传入URL管理器,然后按照调度器流程执行各个模块,协调工作。
四、实战演示
介绍了爬虫框架基本的结构以及每个模块的作用和基本方法,我们拿一个网站实战演练下。选取的网站为凤凰网站的任意一个新闻链接(链接为文本,不能为视频和图片),提取其新闻标题和内容(内容格式不讲究)。我们将
http://news.ifeng.com/a/20180429/57980009_0.shtml作为root_url。
该网页的尾部有其他新闻,我们在网页解析器里面将这些链接提取出来进行爬取。
1.首先,我们根据上述所述,编写UrlManager.py(URL管理器)。
#coding = utf-8
class UrlManager(object):
def __init__(self):
self.new_urls = set() #未爬取URL集合
self.old_urls = set()#未爬取URL集合
def has_new_url(self):
'''判断是否有未爬取的URL
:return:
'''
return self.new_url_size() != 0
def get_new_url(self):
'''获取一个未爬取的URL
:return
'''
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
def add_new_url(self, url):
'''
将新的URL添加到未爬取的URL集合中
:param url:单个URL
:return:
'''
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):
'''
将新的URL添加到未爬取的URL集合中
:param urls:url 集合
:return:
'''
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
def new_url_size(self):
'''
获取未爬取URL集合的大小
:return:
'''
return len(self.new_urls)
def old_url_size(self):
'''
获取已爬取URL集合的大小
:return:
'''
return len(self.old_urls)
2.编写网页下载器HtmlDownloader.py
# coding:utf-8
import requests
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.3964.2 Safari/537.36'
headers = {'User_Agent':user_agent}
try:
r = requests.get(url, headers=headers)
except Exception as e:
print(e)
if r.status_code==200:
r.encoding = 'utf-8'
return r.text
return None
3.编写网页解析器
我们首先打开上述root_url网页,查找新闻标题与内容所在标记位置:
新闻内容所在位置,看下图。
所以,网页解析器HtmlParser.py代码如下:
#coding:utf-8
import re
import urllib
from bs4 import BeautifulSoup
class HtmlParser(object):
def parser(self, page_url, html_cont):
'''
用于解析网页内容,抽取URL和数据
:param page_url:下载页面的URL
:param html_cont:下载的网页内容
:return:返回URL和数据
'''
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont, '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):
'''
抽取新的URL集合
:param page_url:下载页面的URL
:param soup:soup
:return:返回新的URL集合
'''
new_urls = set()
#抽取符合要求的a标记
links = soup.find_all('a',href=re.compile(r'http://news.+\.shtml'))
for link in links:
#提取href属性
new_url = link['href']
#拼接成完整网址
new_full_url = urllib.parse.urljoin(page_url, new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
'''抽取有效数据
:param page_url:下载页面的URL
:param soup:soup
:return:返回有效数据
'''
try:
data = {}
print('抓取'+str(page_url))
data['url'] = page_url
title = soup.find('h1',{'id':'artical_topic'}).text
data['title'] = title
summary = soup.find('div',{'id':'main_content'}).text
#获取tag中包含的所有新闻文本内容,将结果作为Unicode字符串返回
data['summary'] = summary
return data
except:
print("链接不符合")
return None
4.编写数据存储器DataOutput.py,咱们姑且用json文件存储爬取的数据吧。
代码如下:
# coding:utf-8
import codecs, json
class DataOutput(object):
def __init__(self):
self.datas = []
def store_data(self, data):
if data is None:
return
self.datas.append(data)
def output_html(self):
fout = codecs.open('news.json','w',encoding='utf-8')
json.dump(self.datas,fp=fout,indent=4,ensure_ascii=False)#将所有数据写入文件。
SpiderMan.py
5.爬虫调度器SpiderMan.py
# coding:utf-8
from DataOutput import DataOutput
from HtmlDownloader import HtmlDownloader
from HtmlParser import HtmlParser
from UrlManager import UrlManager
class SpiderMan(object):
def __init__(self):
self.manager = UrlManager()
self.downloader = HtmlDownloader()
self.parser = HtmlParser()
self.output = DataOutput()
def crawl(self, root_url):
#添加入口URL
self.manager.add_new_url(root_url)
#判断url管理器中是否有新的url,同时判断抓取多少url
while(self.manager.has_new_url() and self.manager.old_url_size()<100):
# try:
#从URL管理器获取新的url
new_url = self.manager.get_new_url()
#HTML下载器下载网页
html = self.downloader.download(new_url)
#HEML解析器抽取网页数据
new_urls, data = self.parser.parser(new_url, html)
#将抽取的url添加到URL管理器中
self.manager.add_new_urls(new_urls)
#数据存储器存储文件
self.output.store_data(data)
print("已经抓取%s个链接"%self.manager.old_url_size())
# except Exception as e:
# print(e)
# print("Crawl failed")
#数据存储器将文件输出成指定格式
self.output.output_html()
if __name__ == "__main__":
Spider_man = SpiderMan()
Spider_man.crawl('http://news.ifeng.com/a/20180429/57980009_0.shtml')
我们将上述文件放到同一个文件夹:
然后就可以运行调度器py文件,设置爬取链接为100个,
程序运行效果。
最后我们看下news.json文件
五、结束语
本篇博客的重点是理解爬虫框架,大家可以根据自己的需要修改程序,使之符合自己的需求。
最后依然希望大家多多关注,后续更新更精彩。