python3.6爬取凤凰网新闻-爬虫框架式思维

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：

爬虫框架模块作用说明

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：

• 判断是否有待取的URL，方法定义为has_new_url()。
• 添加新的URL到未爬取的集合中，方法定义为：add_new_url(url),add_new_urls(urls)。
• 获取未爬取的URL，方法定义为get_new_url()。
• 获取未爬取的URL集合大小，方法定义为new_url_size()。
• 获取已爬取的URL集合大小，方法定义为old_url_size()。

（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。