Python简单爬虫学习
本文源于慕课网爬虫学习笔记：http://www.imooc.com/learn/563
爬虫：一段自动抓取互联网信息的程序。
主要组成：爬虫调度器，URL管理器，网页下载器，网页解析器
爬虫调度器：程序入口，主要负责爬虫程序的控制
URL管理器：管理带抓取URL集合和已抓取的URL集合。
URL实现的功能有：
1.添加新的URL到待爬去集合
2.判断待添加URL是否已存在
3.判断是否还有待爬的URL，将URL从待爬集合移动到已爬集合
URL的存储方式：Python内存即set()集合，关系数据库，缓存数据库
网页下载器：根据URL获取网页内容，实现由有urllib2和request
网页解析器：从网页中提取出有价值的数据，实现方法有：正则表达式、html.parser、BeautifulSoup、lxml
程序思路：主程序从初始URL开始，先通过URL管理器将初始URL放入待爬集合，再循环从待爬集合中获取URL，使用网页下载器获取URL指向网页，再对网页进行解析获取价值数据和关联URL，关联URL经判断再由URL管理器存入待爬集合，继续进行循环直到复合跳出条件或待爬集合为空。
URL管理器代码：
class UrlManager(object):
def __init__(self):
self.new_urls=set();#待爬的URL集合
self.old_urls=set();#已爬的URL集合
def add_new_url(self,url):#往待爬集合添加新的URL
if url is None:
return
if url not in self.new_urls and url not in self.old_urls: #需要判断URL是否已存在或已爬
self.new_urls.add(url)
def add_new_urls(self,urls):#将解析获得的URL批量导入待爬集合
if urls is None or len(urls)==0:
return
for url in urls:
self.add_new_url(url)
def has_new_url(self):#判断是否还有待爬的URL
return len(self.new_urls) !=0
def get_new_url(self):#在待爬集合中获取一个新的URL返回，交由网页下载器
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url网页下载器：
import urllib2
class HtmlDownloader(object):#返回URL指向网页的内容
def download(self,url):
if url is None:
return None
response = urllib2.urlopen(url)
if response.getcode()!=200:
return None
return response.read()网页解析器：
from bs4 import BeautifulSoup import re import urlparse class HtmlParser(object):
def _get_new_urls(self, page_url, soup):#从网页中获取包含的URL
new_urls=set()
links=soup.find_all('a',href=re.compile(r"/view/\d+\.htm"))
for link in links:
new_url=link['href']
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):#从网页中提取价值数据
res_data={}
#url
res_data['url']=page_url
#<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
title_node=soup.find('dd',class_="lemmaWgt-lemmaTitle-title")
res_data['title']=title_node.get_text()
#<div class="lemma-summary" >
summary_node=soup.find('div',class_="lemma-summary")
res_data['summary']=summary_node.get_text()
return res_data
def parser(self,page_url,html_cont):#调用两个函数进行网页解析
if page_url is None or html_cont is None:
return
soup=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,soup)
return new_urls,new_data
数据输出：
class HtmlOutputer(object):
def __init__(self):
self.datas=[]
def collect_data(self,data):
if data is None:
return None
self.datas.append(data)
def outputer_html(self):
fout = open('output.html','w')
fout.write("<html>")
fout.write("<body>")
fout.write("<table>")
for data in self.datas:
fout.write("<tr>")
fout.write("<td>%s</td>" % data['url'].encode('utf-8'))
fout.write("<td>%s</td>" % data['title'].encode('utf-8'))
fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))
fout.write("</tr>")
fout.write("</table>")
fout.write("</body>")
fout.write("</html>")
爬虫总调度程序：
from baike_spider import html_downloader,url_manager,html_outputer,html_parser
class SpiderMain(object):
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):
count=1
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try:
new_url=self.urls.get_new_url()
print 'craw %d :%s'%(count,new_url)
html_cont=self.downloader.download(new_url)
new_urls,new_data=self.parser.parser(new_url,html_cont)
self.urls.add_new_urls(new_urls)
self.outputer.collect_data(new_data)
if count == 1000:
break
count=count+1
except:
print 'craw faild'
self.outputer.outputer_html()
if __name__=="__main__":
#原始url
root_url="http://baike.baidu.com/view/21087.htm"
obj_spider=SpiderMain()
obj_spider.craw(root_url)