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
使用python搭建Django应用程序步骤及版本冲突问题解决
Nov 19 Python
Python读取mp3中ID3信息的方法
Mar 05 Python
基于python实现微信模板消息
Dec 21 Python
Python3 加密(hashlib和hmac)模块的实现
Nov 23 Python
基于numpy.random.randn()与rand()的区别详解
Apr 17 Python
Flask框架WTForm表单用法示例
Jul 20 Python
详解Python中is和==的区别
Mar 21 Python
Python实例方法、类方法、静态方法的区别与作用详解
Mar 25 Python
python 列表转为字典的两个小方法(小结)
Jun 28 Python
python爬虫 2019中国好声音评论爬取过程解析
Aug 26 Python
Python常用数据类型之间的转换总结
Sep 06 Python
使用IPython或Spyder将省略号表示的内容完整输出
Apr 20 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
在PHP中使用Sockets 从Usenet中获取文件
2008/01/10 PHP
php读取msn上的用户信息类
2008/12/05 PHP
php 文件上传系统手记
2009/10/26 PHP
php实现与erlang的二进制通讯实例解析
2014/07/23 PHP
分享10段PHP常用代码
2015/11/11 PHP
php文档工具PHP Documentor安装与使用方法
2016/01/25 PHP
简单PHP会话(session)说明介绍
2016/08/21 PHP
PHP实现微信退款的方法示例
2019/03/26 PHP
基于jquery的Repeater实现代码
2010/07/17 Javascript
Flow之一个新的Javascript静态类型检查器
2015/12/21 Javascript
js date 格式化
2017/02/15 Javascript
js实现五星评价功能
2017/03/08 Javascript
微信小程序 下拉菜单简单实例
2017/04/13 Javascript
NodeJS、NPM安装配置步骤(windows版本) 以及环境变量详解
2017/05/13 NodeJs
Vue2.0子同级组件之间数据交互方法
2018/02/28 Javascript
Javascript实现购物车功能的详细代码
2018/05/08 Javascript
vue和小程序项目中使用iconfont的方法
2020/05/19 Javascript
[54:18]DOTA2-DPC中国联赛 正赛 PSG.LGD vs LBZS BO3 第一场 1月22日
2021/03/11 DOTA
详解Python程序与服务器连接的WSGI接口
2015/04/29 Python
Python实现求数列和的方法示例
2018/01/12 Python
Python中property属性实例解析
2018/02/10 Python
Tensorflow实现卷积神经网络用于人脸关键点识别
2018/03/05 Python
python topN 取最大的N个数或最小的N个数方法
2018/06/04 Python
python pygame实现挡板弹球游戏
2019/11/25 Python
python机器学习库xgboost的使用
2020/01/20 Python
安装完Python包然后找不到模块的解决步骤
2020/02/13 Python
自定义Django Form中choicefield下拉菜单选取数据库内容实例
2020/03/13 Python
印尼穆斯林时尚购物网站:Hijabenka
2016/12/10 全球购物
英国在线汽车和面包车零件商店:Car Parts 4 Less
2018/08/15 全球购物
绿色环保演讲稿
2014/05/10 职场文书
初一新生军训方案
2014/05/22 职场文书
中考标语大全
2014/06/05 职场文书
房地产销售主管岗位职责
2015/02/13 职场文书
辞职信如何写
2015/02/27 职场文书
退税申请报告怎么写
2015/05/18 职场文书
Python Django获取URL中的数据详解
2021/11/01 Python