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
Python爬虫框架Scrapy安装使用步骤
Apr 01 Python
在Python的Django框架中为代码添加注释的方法
Jul 16 Python
Python中is与==判断的区别
Mar 28 Python
Python学习笔记之if语句的使用示例
Oct 23 Python
pandas按若干个列的组合条件筛选数据的方法
Apr 11 Python
Python实现的简单线性回归算法实例分析
Dec 26 Python
详解用python实现基本的学生管理系统(文件存储版)(python3)
Apr 25 Python
Python批量修改图片分辨率的实例代码
Jul 04 Python
初次部署django+gunicorn+nginx的方法步骤
Sep 11 Python
python列表生成器迭代器实例解析
Dec 19 Python
关于python3.7安装matplotlib始终无法成功的问题的解决
Jul 28 Python
python Tkinter模块使用方法详解
Apr 07 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中通过ADO调用Access数据库的方法测试不通过
2006/12/31 PHP
随时给自己贴的图片加文字的php代码
2007/03/08 PHP
WordPress开发中的get_post_custom()函数使用解析
2016/01/04 PHP
Laravel5框架添加自定义辅助函数的方法
2018/08/01 PHP
Laravel框架实现的使用smtp发送邮件功能示例
2019/03/12 PHP
laravel框架中表单请求类型和CSRF防护实例分析
2019/11/23 PHP
B/S模式项目中常用的javascript汇总
2013/12/17 Javascript
在WordPress中加入Google搜索功能的简单步骤讲解
2016/01/04 Javascript
nodejs如何获取时间戳与时间差
2016/08/03 NodeJs
JS控制FileUpload的上传文件类型实例代码
2016/10/07 Javascript
Angularjs 创建可复用组件实例代码
2016/10/09 Javascript
js常用的继承--组合式继承
2017/03/06 Javascript
js实现悬浮窗效果(支持拖动)
2017/03/09 Javascript
Javascript实现一个简单的输入关键字添加标签效果实例
2017/06/01 Javascript
JavaScript中in和hasOwnProperty区别详解
2017/08/04 Javascript
Angular 2.0+ 的数据绑定的实现示例
2017/08/09 Javascript
bootstrap table实现双击可编辑、添加、删除行功能
2017/09/27 Javascript
vue 界面刷新数据被清除 localStorage的使用详解
2018/09/16 Javascript
javascript数组去重方法总结(推荐)
2019/03/20 Javascript
详解JavaScript中精度失准问题及解决方法
2020/02/04 Javascript
[01:13:08]2018DOTA2亚洲邀请赛4.6 淘汰赛 mineski vs LGD 第二场
2018/04/10 DOTA
Python入门篇之字符串
2014/10/17 Python
python检测某个变量是否有定义的方法
2015/05/20 Python
Python中你应该知道的一些内置函数
2017/03/31 Python
Python实现的概率分布运算操作示例
2017/08/14 Python
python中的随机函数random的用法示例
2018/01/27 Python
Python代码缩进和测试模块示例详解
2018/05/07 Python
python读取图片的几种方式及图像宽和高的存储顺序
2020/02/11 Python
Python错误的处理方法
2020/06/23 Python
HTML5拖拽文件到浏览器并实现文件上传下载功能代码
2013/06/06 HTML / CSS
物业公司的岗位任命书
2014/06/06 职场文书
单位介绍信格式
2015/01/31 职场文书
2015年全国爱耳日活动总结
2015/02/27 职场文书
Go语言切片前或中间插入项与内置copy()函数详解
2021/04/27 Golang
python3实现无权最短路径的方法
2021/05/12 Python
MySQL 百万级数据的4种查询优化方式
2021/06/07 MySQL