实战项目：基础爬虫 -- 爬取百度100词条
基础爬虫架构及运行流程
基础爬虫框架主要包括五大模块，分别为爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。功能分析如下：
- 爬虫调度器主要负责统筹其他四个模块的协调工作。
- URL管理器负责管理URL链接，维护已经爬取的URL集合和未爬取的URL集合，提供获取新URL链接的接口。
- HTML下载器用于从URL管理器中获取未爬取的URL链接并下载HTML网页。
- HTML解析器用于从HTML下载器中获取已经下载的HTML网页，并从中解析出新的URL链接交给URL管理器，解析出有效数据交给数据存储器。
- 数据存储器用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来。
URL管理器
URL管理器主要包括两个变量，一个是已爬取URL的集合，另一个是未爬取URL的集合。采用Python中的set类型，主要是使用set的去重复功能，防止链接重复爬取，因为爬取链接重复时容易造成死循环。链接去重复在Python爬虫开发中是必备的功能，解决方案主要有三种：1）内存去重；2）关系数据库去重；3）缓存数据库去重。大型成熟的爬虫基本上采用缓存数据库的去重方案，尽可能避免内存大小的限制，又比关系型数据库去重性能高很多。由于基础爬虫的爬取数量较小，因此我们使用Python中set这个内存去重方式。
URL管理器除了具有两个URL集合，还需要提供以下接口，用于配合其他模块使用，接口如下：
- 判断是否有待爬取的URL，方法定义为has_new_url()。
- 添加新的URL到未爬取集合中，方法定义为add_new_url(url)，add_new_urls(urls)。
- 获取一个未爬取的URL，方法定义为get_new_url()。
- 获取未爬取URL集合的大小，方法定义为new_url_size()。
- 获取已经爬取的URL集合的大小，方法定义为old_url_size()。
程序URLManager.py的完整代码如下：
# coding:utf-8
class UrlManager(object):
def __init__(self):
self.new_urls = set() # 未爬取URL集合
self.old_urls = set() # 已爬取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):
'''
:return:
'''
return len(self.new_urls)
def old_url_size(self):
'''
获取已经爬取URL集合的大小
:return:
'''
return len(self.old_urls())
HTML下载器
HTML下载器用来下载网页，这是很需要注意网页的编码，以保证下载的网页没有乱码。下载器需要用到Requests模块，里面只需要实现一个接口即可：download(url)。程序HtmlDownloaders.py代码如下：
# coding:utf-8
import requests
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-Agent':user_agent}
r = requests.get(url, headers=headers)
if r.status_code == 200:
r.encoding = 'utf-8'
return r.text
return None
HTML解析器
HTML解析器使用BeautifulSoup4进行HTML解析。需要解析的部分主要分为提取相关词条页面的URL和提取当前词条的标题和摘要信息。
查看百度百科页的源码，可以看到标题的标记位于< dd class=“lemmaWgt-lemmaTitle-title” >< h1 >< /h1 >，摘要文本位于< div class=“lemma-summary” label-module=“lemmaSummary” >。
最后分析一下需要抽取的URL的格式。相关词条的URL格式类似于< a target="_blank" href="/view/7833.htm" >万维网< /a>这种形式，提取出a标记中的href属性即可，从格式中可以看到href属性值是一个相对网址，可以使用urlparse.urljoin函数将当前网址和相对网址拼接完整的URL路径。
HTML解析器主要提供一个parser对外接口，输入参数为当前页面的URL和HTML下载器返回的网页内容。解析器HtmlParser.py程序的代码如下：
# coding:utf-8
import re
import urlparse
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', 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
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'/view/\d+\.htm'))
for link in links:
# 提取href属性
new_url = link['href']
# 拼接成完整网址
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):
'''
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
'''
data = {}
data['url'] = page_url
title = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
data['title'] = title.get_text()
summary = soup.find('div', class_='lemma-summary')
# 获取tag中包含的所有文本内容，包括子孙tag中的内容，并将结果作为Unicode字符串返回
data['summary'] = summary.get_text()
return data
数据存储器
数据存储器主要包括两个方法：store_data(data)用于将解析出来的数据存储到内存中，output_html()用于将存储的数据输出为指定的文件格式，我们使用的是将数据输出为HTML格式。DataOutput.py程序如下：
# coding:utf-8
import codecs
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('baike.html', 'w', encoding='utf-8')
fout.write("")
fout.write("")
fout.write("")
for data in self.datas:
fout.write("")
fout.write("%s "%data['url'])
fout.write("%s "%data['title'])
fout.write("%s "%data['summary'])
fout.write(" ")
self.datas.remove(data)
fout.write("
")
fout.write("")
fout.write("")
fout.close()
爬虫调度器
以上对URL管理器、HTML下载器、HTML解析器和数据存储器等模块进行了实现，接下来编写爬虫调度器以协调管理这些模块。爬虫调度器首先要做的是初始化各个模块，然后通过crawl(root_url)方法传入入口URL，方法内部实现按照运行流程控制各个模块的工作。爬虫调度器SpiderMan.py的程序如下：
# coding:utf-8
from firstSpider.DataOutput import DataOutput
from firstSpider.HtmlDownloader import HtmlDownloader
from firstSpider.HtmlParser import HtmlParser
from firstSpider.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，同时判断抓取了多少个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)
# HTML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,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://baike.baidu.com/view/284853.htm")