1.7 爬取汽车之家实战
1.7 爬取汽车之家实战
- 7 爬取汽车之家实战
- 任务简介 及 爬虫架构极
- url管理器
- 网页下载器
- 网页解析器
- 保存获取的信息
1. 任务简介 及 爬虫架构极
前面学习了，爬虫的基本架构。现在要动手实践了，因为师兄说“学一门语言就必须上手去练习！”。
爬取哪个网站呢？正好，最近需要汽车之家上面的数据， 我就爬这个。本文代码全部共享于GitHub上，地址：爬取汽车之家实战：github
目标：爬取100种汽车的名字，以及网友对它的评分。
下面开始编程：
- 在pychram中创建一个工程
- 在工程中新建一个python包
- 新建一个main类
- 创建各个功能类：url管理器、网页下载器、网页解析器、保存获取的信息
下面贴上main类的代码（有详细注释）：
# 加载url管理器、下载器、解析器、输出器
from autohome_spider import url_manager, html_downloader, html_parser, html_outputer
class SpiderMain(object):
# 初始化各个对象
def __init__(self):
self.urls = url_manager.UrlManager()
self.downloader = html_downloader.HtmlDownloader()
self.parser = html_parser.HtmlParser()
self.outputer = html_outputer.HtmlOutputer()
def craw(self, root_url):
# 记录当前爬取的是第几个url
count = 1
# 将入口url添加进url管理器，这样url管理器就有了待爬取的url,我们就可以启动爬虫的循环
self.urls.add_new_url(root_url)
# 当url管理器有新的url时，启动循环
while self.urls.has_new_url():
try:
# 获取待爬取的url
new_url = self.urls.get_new_url()
# 实时打印爬取数和爬取url
print('craw %s : %s' % (count, new_url))
# 下载器下载页面
html_cont = self.downloader.download(new_url)
# print(html_cont)
# 解析器解析url和页面，得到新的url和数据(返回两个值)
new_urls, new_data = self.parser.parse(new_url, html_cont)
# 获得的新的url添加进url管理器
self.urls.add_new_urls(new_urls)
# 收集数据
self.outputer.collect_data(new_data)
# 设置爬取数
if count == 100:
break
count = count + 1
except Exception as e:
print(str(e))
# 输出收集好的数据
self.outputer.output_html()
if __name__ == '__main__':
# 爬虫入口url
root_url = 'http://www.autohome.com.cn/78/#pvareaid=103177'
obj_spider = SpiderMain()
obj_spider.craw(root_url)
2. url管理器
url管理器存放已经抓取的url和还没抓取的url
class UrlManager(object):
# 初始化存放新的url列表和爬取过的url列表
def __init__(self):
self.new_urls = set()
self.old_urls = set()
# 向url管理器添加一个新的url
def add_new_url(self, url):
# url是否是空
if url is None:
return
# url是否存在在新的url列表和爬取过的url列表中
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
# 向url管理器添加新的url(urls是 解析器 返回的新的url列表)
def add_new_urls(self, urls):
# urls是否是空
if urls is None or len(urls) == 0:
return
# 逐一添加url
for url in urls:
self.add_new_url(url)
# url管理器是否有新的待爬取url
def has_new_url(self):
return len(self.new_urls) != 0
# 从url管理器中获取新的待爬取url
def get_new_url(self):
# 获取url并从new_urls中移除
new_url = self.new_urls.pop()
# 添加进已爬取old_urls中
self.old_urls.add(new_url)
# 返回新的url
return new_url
3. 网页下载器
网页下载器 将下载所给的url的网页html代码。在这里要特别注意“乱码问题”，解决办法见我另一篇文章–>：Python字符串的encode与decode研究心得——解决乱码问题
代码如下：
from urllib import request
from urllib import parse
### 使用urllib库进行下载HTML页面
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
values = {'name': 'voidking', 'language': 'Python'}
data = parse.urlencode(values).encode(encoding='utf-8', errors='ignore')
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0','Content-Length': '0'}
request1 = request.Request(url=url, data=data, headers=headers, method='GET')
response = request.urlopen(request1)
if response.getcode() != 200:
return None
buff = response.read()
html = buff.decode("gb2312",errors='ignore')
return html
from urllib import request
from urllib import parse
### 使用urllib库进行下载HTML页面
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
values = {'name': 'voidking', 'language': 'Python'}
data = parse.urlencode(values).encode(encoding='utf-8', errors='ignore')
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0','Content-Length': '0'}
request1 = request.Request(url=url, data=data, headers=headers, method='GET')
response = request.urlopen(request1)
if response.getcode() != 200:
return None
buff = response.read()
html = buff.decode("gb2312",errors='ignore')
return html4. 网页解析器
网页解析器的主要作用是：
1. 匹配html代码中的所需信息（车名，评分）
2. 找出当前页面中指向另外的车页面的url
代码如下：
from bs4 import BeautifulSoup
import re
from urllib import parse
class HtmlParser(object):
# 获取html中的新的连接
def _get_new_urls(self, page_url, soup):
# 结果存入列表
new_urls = set()
# 正则匹配：博瑞
links = soup.find_all('a', href=re.compile(r'/\d+/#pvareaid=\d+'),title=re.compile(r'\S'))
for link in links:
# 获取相对url
new_url = link['href']
# 拼接为完整url
new_full_url = parse.urljoin(page_url, new_url)
# print(new_full_url)
new_urls.add(new_full_url)
# print(new_urls)
return new_urls
# 获取当前页面 汽车的名字以及评分
def _get_new_data(self, page_url, soup):
# 存放数据
res_data = {}
# url
res_data['url'] = page_url
# 获取html中的车名
#
title_node = soup.find(
'div', class_='subnav-title-name').find('a')
# 转换成字符串 并去除标签
res_data['title'] = title_node.get_text().strip(''
).strip('')
# 获取html中的汽车评分
# 4.38
summary_node = soup.find('a', class_='font-score')
res_data['summary'] = summary_node.get_text()
print(res_data)
return res_data
def parse(self, page_url, html_cont):
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
soup2 = 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, soup2)
return new_urls, new_data
5. 保存获取的信息
这个类用于保存获取的信息，将所需要的信息保存为一个页面，便于查看。如下图：
代码如下：
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
def output_html(self):
# 在windows下新文件的默认编码是gbk，需手动改为utf-8
fout = open('output.html', 'w', encoding='utf-8')
fout.write('')
fout.write('')
fout.write('')
# 表头
fout.write('')
fout.write('公司-车名 ')
fout.write('网友评分 ')
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(' ')
fout.write('
')
fout.write('')
fout.write('')
fout.close()