Python实现爬虫从网络上下载文档的实例代码


Posted in Python onJune 13, 2018

最近在学习Python,自然接触到了爬虫,写了一个小型爬虫软件,从初始Url解析网页,使用正则获取待爬取链接,使用beautifulsoup解析获取文本,使用自己写的输出器可以将文本输出保存,具体代码如下:

Spider_main.py

# coding:utf8
from baike_spider import url_manager, html_downloader, html_parser, html_outputer
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():
      print("self.urls.has %s" % self.urls.new_urls)
      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.parse(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 failed")
    self.outputer.output_html()
    self.outputer.output_txt()
if __name__ == '__main__':
  root_url = "http://www.shushu8.com/jiangnan/longzu2qianzhuan/1"
  obj_spider = SpiderMain()
  obj_spider.craw(root_url)

url_manager.py

class UrlManager(object):
  def __init__(self):
    self.new_urls = set()
    self.old_urls = set()
  def add_new_url(self, url):
    print(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)
  def has_new_url(self):
    return len(self.new_urls) != 0
  def get_new_url(self):
    new_url = self.new_urls.pop()
    self.old_urls.add(new_url)
    # print('new url is %s' % new_url)
    return new_url
  def add_new_urls(self, urls):
    print("add_new_urls %s" % urls)
    if urls is None or len(urls) == 0:
      return
    for url in urls:
      self.add_new_url(url)
      print(url)

html_parser.py

import re
import urllib.parse
from bs4 import BeautifulSoup
class HtmlParser(object):
  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')
    new_urls = self._get_new_urls(page_url, soup)
    print("parse new_urls %s" % new_urls)
    new_data = self._get_new_data(page_url, soup)
    return new_urls, new_data
  def _get_new_data(self, page_url, soup):
    res_data = {}
    res_data['url'] = page_url
    print(page_url)
    title_node = soup.find(class_="title").find("h1")
    print(title_node.get_text())
    res_data['title'] = title_node.get_text()
    print("_get_new_data")
    summary_node = soup.find('pre')
    print(summary_node.get_text())
    res_data['summary'] = summary_node.get_text()
    return res_data
  def _get_new_urls(self, page_url, soup):
    new_urls = set()
    links = soup.find_all('a', href=re.compile(r"/jiangnan/"))
    print(links)
    for link in links:
      new_url = link['href']
      new_full_url = urllib.parse.urljoin(page_url, new_url)
      new_urls.add(new_full_url)
      # print(new_full_url)
    return new_urls

html_downloader.py

import urllib.request
class HtmlDownloader(object):
  def download(self, url):
    if url is None:
      return None
    response = urllib.request.urlopen(url)
    if response.getcode() != 200:
      return None
    return response.read()

html_outputer.py

class HtmlOutputer(object):
  def __init__(self):
    self.datas = []
  def collect_data(self, data):
    if data is None:
      return
    self.datas.append(data)
  def output_txt(self):
    fout = open('output.txt', 'w', encoding='utf-8')
    for data in self.datas:
      fout.write('%s \n' % data['title'])
      fout.write('%s \n' % data['summary'])
  def output_html(self):
    fout = open('output.html', 'w', encoding='utf-8')
    fout.write('<html>')
    fout.write('<body>')
    fout.write('<table>')
    for data in self.datas:
      fout.write('<tr>')
      fout.write('<td>%s</td>' % data['url'])
      fout.write('<td>%s</td>' % data['title'])
      fout.write('<td>%s</td>' % data['summary'])
      fout.write('</tr>')
    fout.write('</table>')
    fout.write('</body>')
    fout.write('</html>')
    fout.close()

总结

以上所述是小编给大家介绍的Python实现爬虫从网络上下载文档的实例代码,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对三水点靠木网站的支持!

Python 相关文章推荐
在Python的struct模块中进行数据格式转换的方法
Jun 17 Python
在Django中同时使用多个配置文件的方法
Jul 22 Python
Python中单例模式总结
Feb 20 Python
python简单商城购物车实例代码
Mar 15 Python
Python面向对象程序设计类的多态用法详解
Apr 12 Python
flask框架jinja2模板与模板继承实例分析
Aug 01 Python
django 做 migrate 时 表已存在的处理方法
Aug 31 Python
Python帮你识破双11的套路
Nov 11 Python
在OpenCV里实现条码区域识别的方法示例
Dec 04 Python
python GUI库图形界面开发之PyQt5中QMainWindow, QWidget以及QDialog的区别和选择
Feb 26 Python
python实现梯度下降算法的实例详解
Aug 17 Python
Python实例方法、类方法、静态方法区别详解
Sep 05 Python
Pycharm导入Python包,模块的图文教程
Jun 13 #Python
mac下pycharm设置python版本的图文教程
Jun 13 #Python
使用Python来开发微信功能
Jun 13 #Python
python爬取足球直播吧五大联赛积分榜
Jun 13 #Python
Python实现多条件筛选目标数据功能【测试可用】
Jun 13 #Python
mac 安装python网络请求包requests方法
Jun 13 #Python
Scrapy基于selenium结合爬取淘宝的实例讲解
Jun 13 #Python
You might like
PHP 自定义错误处理函数的使用详解
2013/05/10 PHP
PHP类的声明与实例化及构造方法与析构方法详解
2016/01/26 PHP
PHP实现SMTP邮件的发送实例
2018/09/27 PHP
PHP PDOStatement::setAttribute讲解
2019/02/01 PHP
PHP数组与字符串互相转换实例
2020/05/05 PHP
js 多浏览器分别判断代码
2010/04/01 Javascript
javascript预览上传图片发现的问题的解决方法
2010/11/25 Javascript
关于js new Date() 出现NaN 的分析
2012/10/23 Javascript
表格奇偶行设置不同颜色的核心JS代码
2013/12/24 Javascript
JS获取下拉列表所选中的TEXT和Value的实现代码
2014/01/11 Javascript
angular route中使用resolve在uglify压缩后问题解决
2016/09/21 Javascript
详解ECMAScript6入门--Class对象
2017/04/27 Javascript
js实现分页功能
2017/05/24 Javascript
webpack4实现不同的导出类型
2019/04/09 Javascript
ES6 Class中实现私有属性的一些方法总结
2019/07/08 Javascript
Vuejs中的watch实例详解(监听者)
2020/01/05 Javascript
Python读取环境变量的方法和自定义类分享
2014/11/22 Python
python中print的不换行即时输出的快速解决方法
2016/07/20 Python
Python中的sort()方法使用基础教程
2017/01/08 Python
python pip源配置,pip配置文件存放位置的方法
2019/07/12 Python
Python学习笔记之字符串和字符串方法实例详解
2019/08/22 Python
Python综合应用名片管理系统案例详解
2020/01/03 Python
英国轻奢珠宝品牌:Astley Clarke
2016/12/18 全球购物
GNC健安喜官方海外旗舰店:美国著名保健品牌
2017/01/04 全球购物
英国门销售网站:Green Tree Doors
2020/01/07 全球购物
飞利浦西班牙官方网站:Philips西班牙
2020/02/17 全球购物
网络编程中设计并发服务器,使用多进程与多线程,请问有什么区别?
2016/03/27 面试题
探亲邀请信范文
2014/01/30 职场文书
食品销售计划书
2014/04/26 职场文书
学生意外伤害赔偿协议书
2014/09/17 职场文书
小学英语复习计划
2015/01/19 职场文书
婚宴邀请函
2015/01/30 职场文书
2015社区爱国卫生工作总结
2015/04/21 职场文书
2015年法院工作总结范文
2015/04/28 职场文书
旗帜观后感
2015/06/08 职场文书
python之json文件转xml文件案例讲解
2021/08/07 Python