挖的坑，终于能填上了，先共享出来，大家有个对比参考。也帮忙找找错误。我也正在看，看看原来是哪里出了问题。
下面这段代码已经实现了网页的爬取：
其效果为：
下面给出详细说明：
上图中出现的 __init__.py 文件，是一个空的，但是必须建立（我也没想明白为啥）。
程序结束后，打开output.html 就可以了。
1.这是网页管理模块 url_manager.py （点击+号，看代码）
class UrlManager(object):
def __init__(self):
self.new_urls=set()
self.old_urls=set()
#向管理器中添加一个新的url
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)
#向管理器中添加多个新的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)
#判断管理器中是否还有新的待爬取的url
def has_new_url(self):
return len(self.new_urls)!=0
#从管理器中获取一个新的待爬取的url
def get_new_url(self):
new_url=self.new_urls.pop()#获取并移除
self.old_urls.add(new_url)#添加至旧的集合
return new_url
2.这是下载网页模块 html_downloader.py
import urllib.request
class HtmlDownloader(object):
#下载一个url里的数据
def download(self,url):
if url is None:
return None
response=urllib.request.urlopen(url)#注意py2和py3不同
if response.getcode()!=200:#状态码200表示获取成功
return None
return response.read()#返回下载好的内容
3.这是网页解析模块 html_parser.py
from bs4 import BeautifulSoup
import re
import urllib.parse
#py3中urlparse在urllib中
class HtmlParser(object):
#返回新的url集合
def _get_new_urls(self,page_url,soup):
new_urls=set()
#获取所有的链接，用正则匹配
links=soup.find_all(‘a‘,href=re.compile(r"/item/"))
for link in links:
new_url=link[‘href‘]#获取它的链接(不完全)
#将不完整的new_url按照page_url的格式拼成完整的
new_full_url=urllib.parse.urljoin(page_url,new_url)
new_urls.add(new_full_url)
return new_urls
#返回对soup的解析结果
def _get_new_data(self,page_url,soup):
res_data={}
#url
res_data[‘url‘]=page_url
#<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
#获取词条名(用了两次find)
title_node=soup.find(‘dd‘,class_="lemmaWgt-lemmaTitle-title").find("h1")
#注意这里先split再做join，将\\变成了\
res_data[‘title‘]=‘\\‘.join(title_node.get_text().split(‘\\\\‘))#加入字典中
#<div class="lemma-summary">
#获取摘要文字
summary_node=soup.find(‘div‘,class_="lemma-summary")
#注意这里先split再做join，将\\变成了\
res_data[‘summary‘]=‘\\‘.join(summary_node.get_text().split(‘\\\\‘))#加入字典中
return res_data
#解析一个下载好的页面的数据，并返回新的url列表和解析结果
def parse(self,page_url,html_cont):
if page_url is None or html_cont is None:
return
#创建一个bs对象(将网页字符串html_cont加载成一棵DOM树)
soup=BeautifulSoup(html_cont,‘html.parser‘)
new_urls=self._get_new_urls(page_url,soup)
new_data=self._get_new_data(page_url,soup)
return new_urls,new_data
4.下面是网页输出模块 html_outputer.py
class HtmlOutputer(object):
def __init__(self):
self.datas=[]
#收集解析好的数据
def collect_data(self,data):
if data is None:
return
self.datas.append(data)
#输出所有收集好的数据
def output_html(self):
with open(‘output.html‘,‘w‘) as fout:
fout.write("<html>")
‘‘‘fout.write("<head>")
fout.write("<meta charset=\"utf-8\">")
fout.write("</head>")‘‘‘
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‘].encode(‘utf-8‘))
fout.write("</tr>")
fout.write("</table>")
fout.write("</body>")
fout.write("</html>")
fout.close()
5.主函数，运行这个就可以了
import url_manager,html_downloader,html_parser,html_outputer
class SpiderMain(object):
def __init__(self):#在构造器中初始化所需要的对象
self.urls=url_manager.UrlManager()#url管理器
self.downloader=html_downloader.HtmlDownloader()#下载器
self.parser=html_parser.HtmlParser()#解析器
self.outputer=html_outputer.HtmlOutputer()#价值数据的输出
def craw(self,root_url):
count=1#记录当前爬取的是第几个url
self.urls.add_new_url(root_url)#先将入口url给url管理器
#启动爬虫的循环
while self.urls.has_new_url():#如果管理器中还有url
try:
new_url=self.urls.get_new_url()#就从中获取一个url
print (‘craw %d : %s‘%(count,new_url))#打印正在爬的url
html_cont=self.downloader.download(new_url)#然后用下载器下载它
#调用解析器去解析这个页面的数据
new_urls,new_data=self.parser.parse(new_url,html_cont)
self.urls.add_new_urls(new_urls)#新得到的url补充至url管理器
self.outputer.collect_data(new_data)#收集数据
if count==30:#如果已经爬了30个直接退出
break
count+=1
except:
print (‘craw failed‘)#标记这个url爬取失败
self.outputer.output_html()#循环结束后输出收集好的数据
if __name__=="__main__":
root_url="http://baike.baidu.com/item/Python"#入口url
obj_spider=SpiderMain()
obj_spider.craw(root_url)
以上内容，来自：http://blog.csdn.net/shu15121856/article/details/72903146
时间： 2024-11-03 01:32:19