Python爬虫实例

                                      Python爬虫实例

• SpiderMain（调度器）

# -*- coding: utf-8 -*-

import url_manager, html_downloader, html_parser, html_outputer


class SpiderMain(object):
    # 初始化各个模块
    def __init__(self):
        # url管理器
        self.urls = url_manager.UrlManager()
        # 网页下载器
        self.downloader = html_downloader.HtmlDownloader()
        # 网页解析器
        self.parser = html_parser.HtmlParser()
        # 数据输出器
        self.outputer = html_outputer.HtmlOutputer()


    # 爬虫调度程序
    def craw(self, root_url):

        # 添加入口url到待爬取url管理器urls
        self.urls.add_new_url(root_url)

        # 当url管理器有待爬取url
        while self.urls.has_new_url():

            # 异常处理:有些链接可能已经无法访问等
            try:
                # 从待爬取urls中获取一个url
                new_url = self.urls.get_new_url()

                # 启动下载器下载网页
                html_cont = self.downloader.download(new_url)

                # 清洗数据  1、等待爬取的url  2、目标数据
                new_urls, new_data = self.parser.parse(new_url, html_cont)

                # 将等待爬取的url补充到待爬取url管理器urls
                self.urls.add_new_urls(new_urls)

                # 搜集目标数据到内存
                self.outputer.collect_data(new_data)

            except:
                print 'craw failed'

        # 将收集好的数据存到本地
        self.outputer.output_html()


#入口函数
if __name__ == "__main__":
    # 入口 URL
    root_url = "https://baike.baidu.com/item/Python/407313"
    # 实例化爬虫对象
    obj_spider = SpiderMain()
    # 爬取网页并处理数据
    obj_spider.craw(root_url)


'''
开发步骤：
        1、定义一个发起爬虫动作的__main__函数，这个动作需要定义入口 URL并交给SpiderMaind对象的craw函数进行处理。
        2、obj_spider.craw函数首先需要将url添加到url管理器里面进行存储，调用add_new_url。
        3、这个函数将把url存到集合里面，这时候 craw函数会获取这个集合里面的所有url进行循环抓取，直到没有。
        4、首先获取一个url，调用下载器进行爬取页面的所有数据。
        5、当拿到爬取后的数据，会调用解析器对数据进行清洗，解析器拿到数据会将数据清洗两部分，第一部分就是目标数据，第二部分就是其余的url,当处理完毕之后返回。
        6、这时候调度器会把其余的url再添加到url管理器进行爬取，然后把目标数据存放到内初变量里，当所有的url爬取完毕，会将内存变量的数据存到本地硬盘里。
'''

 

• UrlManager（url管理器）

# -*- coding: utf-8 -*-

class UrlManager(object):
    def __init__(self):
        # 待爬取url管理器
        self.new_urls = set()
        # 已爬取url管理器
        self.old_urls = set()

        # 向url管理器中添加一个新的url

    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)

    # 向url管理器中添加批量url
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return 0
        for url in urls:
            self.add_new_url(url)

    # 判断url管理器中是否有新的带爬取的url
    def has_new_url(self):
        return len(self.new_urls) != 0 #返回一个数量

    # 从url管理器中获取一个新的待爬取url
    def get_new_url(self):
        # pop会从列表中删除一个元素, 并返回那个元素
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

• HtmlDownloader（网页下载器）
   

  # -*- coding: utf-8 -*-
  
  import urllib2
  
  
  class HtmlDownloader(object):
  
      def download(self, url):
          if url is None:
              return None
          #urllib2爬取页面
          self.response = urllib2.urlopen(url)
  
          #返回爬取内容
          return self.response.read()
  

   

• HtmlParser（数据解析器）

# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup
import re


class HtmlParser(object):


    def _get_new_urls(self, soup):

        # 正则表达式获取所有符合格式的链接地址
        links = soup.find_all('a', href=re.compile(r'/item/[A-Z0-9%/]+'))

        # 链接不完整时要补上
        new_links = set(map(lambda x: 'https://baike.baidu.com' + x['href'], links))
        return new_links

    def _get_new_data(self, page_url, soup):

        res_data = {}

        #当前页面url
        res_data['url'] = page_url

        # 获取标题节点:
Python
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        # 获取标题
        res_data['title'] = title_node.get_text()

        # 获取简介节点:

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

        return res_data

    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return

        #转化数据
        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')

        # 获取页面内的url
        new_urls = self._get_new_urls(soup)

        # 获取当前页面的目标数据
        new_data = self._get_new_data(page_url, soup)

        return new_urls, new_data

• HtmlOutputer（数据输出器）

# -*- coding: utf-8 -*-

class HtmlOutputer(object):
    def __init__(self):
        self.datas = []

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

    # 将数据写入一个 HTML 文件
    def output_html(self):
        f = open('output.html', 'w')
        f.write('')
        f.write('')
        f.write('')

        for data in self.datas:
            f.write('')
            f.write('')
            f.write('' % data['url'])
            f.write('' % data['title'].encode('utf-8'))
            f.write('' % data['summary'].encode('utf-8'))
            f.write('')
            f.write('
%s
%s
%s
')
            f.write('
')

        f.write('')
        f.write('')
        f.close()