python爬虫入门--爬取百度百科10000条记录

一:前言

本文代码基于python2.7,安装Requests和BeautifulSoup以及bs4库

源代码托管在本人github:https://github.com/Wuchenwcf/MyCode/tree/master/python/%E5%9F%BA%E7%A1%80%E7%88%AC%E8%99%AB

二、系统设计

系统包括一下几个模块:

python爬虫入门--爬取百度百科10000条记录_第1张图片

1.爬虫调度器主要负责统筹等其他四个模块的协调工作

2.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连

3.HTML 下载器用于从URL管理器中获取未被爬取的URL连接并下载HTML网页

4.HTML解析器用于从下载的HTML下载器中获取的已经下载的HTML网页,并从中解析出新的URL连接交给URL管理器,解析出有效数据交给数据存储器。

5.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。

程序流程图如下:

python爬虫入门--爬取百度百科10000条记录_第2张图片


三:代码

1.URL管理器,UrlManager.py

# 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
        :return:
        """
        return self.new_urls_size()!=0

    def get_new_url(self):
        """
        获取一个未爬取的
        :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_urls_size(self):
        """
        获取未爬取URL集合的大小
        :return:
        """
        return len(self.new_urls)


    def old_url_size(self):
        """
        获取已经爬取URL集合的大小
        :return:
        """
        return len(self.old_urls)

2.HTML下载器,HtmlDownloader.py

# coding:utf-8
import requests
class HtmlDownloader(object):

    def dowload(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/60.0.3112.101 Safari/537.36'
        headers={'User-Agent':user_agent}
        r=requests.get(url,headers=headers)
        if r.status_code==200:
            r.encoding='utf-8'
            return r.text
        return
    


3.HTML 解析器,HtmlParser.py

# 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')
        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:
        :param soup:
        :return:
        """
        new_urls=set()
        # 抽取符合要求的a标记
        links=soup.find_all('a',href = re.compile('/item/'))
        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)
            # print new_full_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:
        :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


4.数据存储器  DataOutput.py

# 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(""%data['url'])
            fout.write(""%data['title'])
            fout.write(""%data['summary'])
            fout.write("")
            self.datas.remove(data)
        fout.write("
%s%s%s
") fout.write("") fout.write("") fout.close()


5.爬虫调度器 SpiderMan.py

# coding:utf-8
from DataOutput import DataOutput
from HtmlParser import  HtmlParser
from HtmlDownloader import HtmlDownloader
from UrlManager import UrlManager
import sys
reload(sys)
#可以让输出部乱码
sys.setdefaultencoding('utf8')
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,同时判断抓取饿多少个url
        while(self.manager.has_new_url() and self.manager.old_url_size()<10000):
            try:
                # 从URL管理器中获取新的url
                new_url=self.manager.get_new_url()
                # HTML下载器下载网页
                html=self.downloader.dowload(new_url)
                """
                with open(r"%s.html"%self.manager.old_url_size(), 'wb') as f:
                    f.write(html)
                    f.flush()
                
                """
                # 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个连接"%self.manager.old_url_size()
            except Exception ,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("https://baike.baidu.com/item/Python")



你可能感兴趣的:(python爬虫入门--爬取百度百科10000条记录)