我的第一个Python3 网络爬虫 百度百科爬虫

最近学习Python
廖雪峰老师的Python 3教程
想要用项目练练手。Python网络爬虫看起来是不错的练手项目，于是着手学习爬虫的制作。
一开始并没有什么头绪，直到看到了慕课网的Python爬虫教程。
这个教程基于python2，但是给了我爬虫的基本思路。接着我用python3写了该教程上的百度百科（弱智）爬虫。

百度百科(弱智)爬虫 基于python3

功能简介

爬取与某个百科页面相关的几百个百科页面。用的是深度优先搜索，所以会搜出很多莫名其妙的词条。实际上这个爬虫并没有什么卵用，只是拿来学习练手。

爬虫框架

有一个主程序和四个模块。
四个模块分别是

1. url管理器：管理url
2. html下载器：用request，下载网页的html代码
3. html解析器：用BeautifulSoup4，解析下载下来的html代码，获得词条的标题和简介
4. html输出器：输出为一个html，用表格的形式表现最终的数据

爬虫代码

主程序

# spider_main.py
from baike_spider import url_manager
from baike_spider import html_downloader
from baike_spider import html_parser
from baike_spider import html_outputer

class SpiderMain(object):
    def __init__(self):
        # init all objects
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    def crawl(self, root_url):
        count = 1
        # add root_url into url_manager
        self.urls.add_new_url(root_url)
        # start loop
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print('crawling %d : %s' % (count, new_url))
                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cont)  # get new urls and data
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)        # collect data
                if count == 300:
                    break
                count = count + 1
            except:
                print('crawl failed.')

        self.outputer.output_html()


if __name__=='__main__':
    root_url = 'http://baike.baidu.com/view/1927.htm'
    obj_spider = SpiderMain()
    obj_spider.crawl(root_url)  # start spider

url管理器

# url_manager.py
class UrlManager(object):
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    def add_new_url(self, 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):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    def has_new_url(self):
        return len(self.new_urls) != 0

    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

html下载器

# html_downloader
from urllib import request

class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None
        response = request.urlopen(url)
        if response.status != 200:
            return None
        data = response.read()
        return data.decode('utf-8')

html解析器

# html_parser
from bs4 import BeautifulSoup
import re
from urllib.parse import urljoin

class HtmlParser(object):
    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        try:
            soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
        except ValueError as e:
            print('except:', e)
        # parse
        new_urls = self._get_new_urls(page_url, soup)
        new_data = self._get_new_data(page_url, soup)
        return new_urls, new_data
# parse new urls
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /view/123.htm
        links = soup.find_all('a', href = re.compile(r"/view/\d+\.htm"))
        for link in links:
            new_url = link['href']      # get link
            new_full_url = urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls

# parse title and summary
    def _get_new_data(self, page_url, soup):
        res_data = {}

        # url
        res_data['url'] = page_url

        # 

        #  
星际争霸Ⅱ
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title',).find('h1')
        res_data['title'] = title_node.get_text()

        # 

        summary_node = soup.find('div', class_='lemma-summary')
        res_data['summary'] = summary_node.get_text()
        print('res_data[\'summary\'] = ', res_data['summary'])
        return res_data

html输出器

# html_outputer
class HtmlOutputer(object):

    def __init__(self):
        # a list to maintain datas
        self.datas = []

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

    def output_html(self):
        fout = open('output.html', 'w', encoding='utf-8')

        fout.write('')
        fout.write('')    # important
        fout.write('')
        fout.write('')

        # python default:unicodefor data in self.datas:
            fout.write('')
            fout.write('' % data['url'])
            fout.write('' % data['title'])
            fout.write('' % data['summary'])
            fout.write('')

        fout.write('

        
%s
%s
%s
')
        fout.write('')
        fout.write('')

        fout.close()

输出的结果示例

http://baike.baidu.com/view/1927.htm 星际争霸 《星际争霸》（英语：StarCraft）是暴雪娱乐制作发行的一款即时战略游戏。这是星际争霸系列游戏的第一部作品，于1998年3月31日正式发行。游戏拥有3部资料片，但是正式发行的只有《母巢之战》。其续作《星际争霸II：自由之翼》已于2010年7月27日发行。《星际争霸》使用《魔兽争霸Ⅱ》引擎，但不同的是融合了三个截然不同的种族：Protoss，Zerg和Terran，他们各自有着迥然不同的战斗单位与科技树。
http://baike.baidu.com/view/174999.htm 吉尼斯世界纪录大全 吉尼斯世界纪录大全于1955年问世，集世界上最好、最坏、最美、最怪、最惨、最伟大的事物，收录了许多光怪陆离、难以想象的纪录。
http://baike.baidu.com/view/293873.htm 碉堡 碉堡是一个网络流音乐，由屌爆演化而来，主要有“震惊了”、“悲剧了”、“非常牛逼”几种意思，不同场合下意义也不同。
http://baike.baidu.com/view/969702.htm DuGalle DuGalle是暴雪开发的即时战略游戏星际争霸（StarCraft）中的角色。（2436年-2500年3月24日） Gerard DuGalle上将是来自地球的Terran，隶属UED（United Earth Directorate）。
http://baike.baidu.com/view/3306588.htm 兵营
http://baike.baidu.com/view/368419.htm 黑暗执政官 黑暗执政官是星际争霸中神族的部队，在它们漫长的放逐过程中面对着各种各样的挑战。在这个过程中，它们不停地与命运做抗争，改进自己的武器技能，并把自己的生理形态转化成更适应周围恶劣的环境，最终就产生了黑暗执政官。
http://baike.baidu.com/view/565476.htm 金甲虫 金甲虫创于一九九六年，店铺遍及四川、贵州、云南、重庆等四省十一市三十余个县，开业十五年无一假货，以“到金甲虫，买正宗货”闻名遐迩。[1]