Python静态网页爬虫项目实战
本爬虫是基于《Python爬虫开发与项目实战》一书实现的，基于现在的网页版本进行更新，可以成功抓取数据。
爬虫基础架构和流程
《Python爬虫开发与项目实战》一书中的介绍和图
首先介绍爬虫的基础架构和流程如下图所示：
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：
已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 9 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解析器用千从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。下而通过图6-3展示一下爬虫框架的动态运行流程， 方便大家理解。
（1）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 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。
#coding:utf-8
class UrlManager(object):
def __init__(self):
#未爬取URL集合
self.new_urls = set()
#已爬取URL集合
self.old_urls = set()
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
: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集合合并到未爬取集合中
: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):
"""
未爬取URL集合大小
:return:
"""
return len(self.new_urls)
def old_url_size(self):
"""
获取已经爬取URL集合大小
:return:
"""
return len(self.old_urls)(2) HTML下载器
HTML下载器用来下载网页，这时候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HtmlDownloader. 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(3) HTML解析器
HTML解析器使用Beautifu1Soup4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。
针对不同的网站需要自己去查看网页结构，本博客以百度百科为例：
此外，我们还需要从当前网页中提取超链接以便于进一步抓取，查看网页结构可以得到：
对于这种标签我们可以使用正则表达式匹配
soup.find_all('a', href = re.compile(r'/item/\w+'))完整代码如下：
#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
:param page_url: 下载页面url
:param html_cont: 下载页面内容
:return:
"""
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URL
:param soup: soup对象
:return:
"""
new_urls = set()
#抽取符合要求的a标记
links = soup.find_all('a', href = re.compile(r'/item/\w+'))
for link in links:
#提取href属性
new_url = link['href']
#拼接完整url
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: 页面URL
:param soup: soup对象
:return:
"""
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')
data['summary'] = summary.get_text()
return data（4）数据存储
#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()（5）爬虫调度器（主函数）
以上已经对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SpiderMain. py的程序如下：
# coding:utf-8
from UrlManager import UrlManager
from HtmlParser import HtmlParser
from HtmlDownloader import HtmlDownloader
from DataOutput import DataOutput
class SpiderMain(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yrl
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
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")
self.output.output_html()
if __name__=="__main__":
spider_main = SpiderMain()
spider_main.crawl("https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711?fromtitle=%E8%9C%98%E8%9B%9B&fromid=8135707")爬取结果如下：
