python爬虫实例详解


Posted in Python onJune 19, 2018

本篇博文主要讲解Python爬虫实例,重点包括爬虫技术架构,组成爬虫的关键模块:URL管理器、HTML下载器和HTML解析器。

爬虫简单架构

python爬虫实例详解

程序入口函数(爬虫调度段)

#coding:utf8
import time, datetime

from maya_Spider import url_manager, html_downloader, html_parser, html_outputer


class Spider_Main(object):
 #初始化操作
 def __init__(self):
  #设置url管理器
  self.urls = url_manager.UrlManager()
  #设置HTML下载器
  self.downloader = html_downloader.HtmlDownloader()
  #设置HTML解析器
  self.parser = html_parser.HtmlParser()
  #设置HTML输出器
  self.outputer = html_outputer.HtmlOutputer()

 #爬虫调度程序
 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_content = self.downloader.download(new_url)
    new_urls, new_data = self.parser.parse(new_url, html_content)
    self.urls.add_new_urls(new_urls)
    self.outputer.collect_data(new_data)

    if count == 10:
     break

    count = count + 1
   except:
    print('craw failed')

  self.outputer.output_html()

if __name__ == '__main__':
 #设置爬虫入口
 root_url = 'http://baike.baidu.com/view/21087.htm'
 #开始时间
 print('开始计时..............')
 start_time = datetime.datetime.now()
 obj_spider = Spider_Main()
 obj_spider.craw(root_url)
 #结束时间
 end_time = datetime.datetime.now()
 print('总用时:%ds'% (end_time - start_time).seconds)

URL管理器

class UrlManager(object):
 def __init__(self):
  self.new_urls = set()
  self.old_urls = set()

 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)

 def add_new_urls(self, urls):
  if urls is None or len(urls) == 0:
   return
  for url in urls:
   self.add_new_url(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)
  return new_url

网页下载器

import urllib
import urllib.request

class HtmlDownloader(object):

 def download(self, url):
  if url is None:
   return None

  #伪装成浏览器访问,直接访问的话csdn会拒绝
  user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
  headers = {'User-Agent':user_agent}
  #构造请求
  req = urllib.request.Request(url,headers=headers)
  #访问页面
  response = urllib.request.urlopen(req)
  #python3中urllib.read返回的是bytes对象,不是string,得把它转换成string对象,用bytes.decode方法
  return response.read().decode()

网页解析器

import re
import urllib
from urllib.parse import urlparse

from bs4 import BeautifulSoup

class HtmlParser(object):

 def _get_new_urls(self, page_url, soup):
  new_urls = set()
  #/view/123.htm
  links = soup.find_all('a', href=re.compile(r'/item/.*?'))
  for link in links:
   new_url = link['href']
   new_full_url = urllib.parse.urljoin(page_url, new_url)
   new_urls.add(new_full_url)
  return new_urls

 #获取标题、摘要
 def _get_new_data(self, page_url, soup):
  #新建字典
  res_data = {}
  #url
  res_data['url'] = page_url
  #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>获得标题标签
  title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')
  print(str(title_node.get_text()))
  res_data['title'] = str(title_node.get_text())
  #<div class="lemma-summary" label-module="lemmaSummary">
  summary_node = soup.find('div', class_="lemma-summary")
  res_data['summary'] = summary_node.get_text()

  return res_data

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

  soup = BeautifulSoup(html_content, '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

网页输出器

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):
  fout = open('maya.html', 'w', encoding='utf-8')
  fout.write("<head><meta http-equiv='content-type' content='text/html;charset=utf-8'></head>")
  fout.write('<html>')
  fout.write('<body>')
  fout.write('<table border="1">')
  # <th width="5%">Url</th>
  fout.write('''<tr style="color:red" width="90%">
     <th>Theme</th>
     <th width="80%">Content</th>
     </tr>''')
  for data in self.datas:
   fout.write('<tr>\n')
   # fout.write('\t<td>%s</td>' % data['url'])
   fout.write('\t<td align="center"><a href=\'%s\'>%s</td>' % (data['url'], data['title']))
   fout.write('\t<td>%s</td>\n' % data['summary'])
   fout.write('</tr>\n')
  fout.write('</table>')
  fout.write('</body>')
  fout.write('</html>')
  fout.close()

运行结果

python爬虫实例详解

附:完整代码

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Google开源的Python格式化工具YAPF的安装和使用教程
May 31 Python
Python利用IPython提高开发效率
Aug 10 Python
python3 模拟登录v2ex实例讲解
Jul 13 Python
Python进阶学习之特殊方法实例详析
Dec 01 Python
Python+matplotlib+numpy实现在不同平面的二维条形图
Jan 02 Python
Python代码块批量添加Tab缩进的方法
Jun 25 Python
基于Python中求和函数sum的用法详解
Jun 28 Python
在PyCharm下打包*.py程序成.exe的方法
Nov 29 Python
在PyCharm中控制台输出日志分层级分颜色显示的方法
Jul 11 Python
解析python实现Lasso回归
Sep 11 Python
matplotlib绘制鼠标的十字光标的实现(自定义方式,官方实例)
Jan 10 Python
Python创建自己的加密货币的示例
Mar 01 Python
Python实现的NN神经网络算法完整示例
Jun 19 #Python
python中的二维列表实例详解
Jun 19 #Python
Tensorflow中使用tfrecord方式读取数据的方法
Jun 19 #Python
python3实现SMTP发送邮件详细教程
Jun 19 #Python
Python SVM(支持向量机)实现方法完整示例
Jun 19 #Python
Tensorflow使用tfrecord输入数据格式
Jun 19 #Python
Tensorflow 训练自己的数据集将数据直接导入到内存
Jun 19 #Python
You might like
php 各种应用乱码问题的解决方法
2010/05/09 PHP
PHP生成json和xml类型接口数据格式
2015/05/17 PHP
Laravel使用原生sql语句并调用的方法
2019/10/09 PHP
jQuery中对未来的元素绑定事件用bind、live or on
2014/04/17 Javascript
angularjs中的单元测试实例
2014/12/06 Javascript
JavaScript编程中window的location与history对象详解
2015/10/26 Javascript
深入探讨前端框架react
2015/12/09 Javascript
基于jQuery实现点击弹出层实例代码
2016/01/01 Javascript
JavaScript+html5 canvas绘制的小人效果
2016/01/27 Javascript
JavaScript Base64 作为文件上传的实例代码解析
2017/02/14 Javascript
浅析Vue 和微信小程序的区别、比较
2018/08/03 Javascript
基于Bootstrap下拉框插件bootstrap-select使用方法详解
2018/08/07 Javascript
ES6 系列之 Generator 的自动执行的方法示例
2018/10/19 Javascript
Vue中点击active并第一个默认选中功能的实现
2020/02/24 Javascript
javascript 设计模式之组合模式原理与应用详解
2020/04/08 Javascript
[08:54]DOTA2-DPC中国联赛 正赛 Aster vs LBZS 选手采访
2021/03/11 DOTA
详解Python编程中time模块的使用
2015/11/20 Python
python中map()与zip()操作方法
2016/02/27 Python
Python3.5内置模块之time与datetime模块用法实例分析
2019/04/27 Python
Django admin禁用编辑链接和添加删除操作详解
2019/11/15 Python
Django后端分离 使用element-ui文件上传方式
2020/07/12 Python
纯CSS3实现移动端展开和收起效果的示例代码
2020/04/26 HTML / CSS
希尔顿酒店官方网站:Hilton Hotels
2017/06/01 全球购物
Kangol帽子官网:坎戈尔袋鼠
2018/09/26 全球购物
俄罗斯奢侈品牌衣服、鞋子和配饰的在线商店:INTERMODA
2020/07/17 全球购物
项目资料员岗位职责
2013/12/10 职场文书
高二历史教学反思
2014/01/25 职场文书
实习老师离校感言
2014/02/03 职场文书
国际贸易专业求职信
2014/06/04 职场文书
学习计划书怎么写
2014/09/15 职场文书
学生检讨书
2015/01/27 职场文书
董事长秘书岗位职责
2015/02/13 职场文书
暑期工社会实践报告
2015/07/13 职场文书
培训后的感想
2015/08/07 职场文书
《月光曲》教学反思
2016/02/16 职场文书
vue3语法糖内的defineProps及defineEmits
2022/04/14 Vue.js