python爬蟲實例詳解
更新時間:2018年06月19日 10:34:44 作者:孫華強
這篇文章主要為大家詳細介紹了python爬蟲實例,包括爬蟲技術架構,組成爬蟲的關鍵模塊,具有一定的參考價值,感興趣的小伙伴們可以參考一下
本篇博文主要講解Python爬蟲實例,重點包括爬蟲技術架構,組成爬蟲的關鍵模塊:URL管理器、HTML下載器和HTML解析器。
爬蟲簡單架構
程序入口函數(shù)(爬蟲調度段)
#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): #設置url管理器 self.urls = url_manager.UrlManager() #設置HTML下載器 self.downloader = html_downloader.HtmlDownloader() #設置HTML解析器 self.parser = html_parser.HtmlParser() #設置HTML輸出器 self.outputer = html_outputer.HtmlOutputer() #爬蟲調度程序 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__': #設置爬蟲入口 root_url = 'http://baike.baidu.com/view/21087.htm' #開始時間 print('開始計時..............') start_time = datetime.datetime.now() obj_spider = Spider_Main() obj_spider.craw(root_url) #結束時間 end_time = datetime.datetime.now() print('總用時:%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
網頁下載器
import urllib import urllib.request class HtmlDownloader(object): def download(self, url): if url is None: return None #偽裝成瀏覽器訪問,直接訪問的話csdn會拒絕 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent':user_agent} #構造請求 req = urllib.request.Request(url,headers=headers) #訪問頁面 response = urllib.request.urlopen(req) #python3中urllib.read返回的是bytes對象,不是string,得把它轉換成string對象,用bytes.decode方法 return response.read().decode()
網頁解析器
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 #獲取標題、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>獲得標題標簽 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
網頁輸出器
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()
運行結果
附:完整代碼
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關文章
Python PyQt5模塊實現(xiàn)一個瀏覽器的示例代碼
在項目開發(fā)中,有的應用程序可以運行在web瀏覽器,本文主要介紹了Python PyQt5模塊實現(xiàn)一個瀏覽器的示例代碼,分享給大家,感興趣的可以了解一下2021-07-07Pytorch backward報錯2次訪問計算圖需要retain_graph=True的情況詳解
這篇文章主要介紹了Pytorch backward報錯2次訪問計算圖需要retain_graph=True的情況,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-02-02Python通用函數(shù)實現(xiàn)數(shù)組計算的方法
數(shù)組的運算可以進行加減乘除,同時也可以將這些算數(shù)運算符進行任意的組合已達到效果。這篇文章主要介紹了Python通用函數(shù)實現(xiàn)數(shù)組計算的代碼,非常不錯,具有一定的參考借鑒價值,需要的朋友參考下吧2019-06-06Jmeter如何使用BeanShell取樣器調用Python腳本
這篇文章主要介紹了Jmeter使用BeanShell取樣器調用Python腳本,文章圍繞Jmeter調用Python腳本的相關詳情展開標題內容,需要的小伙伴可以參考一下2022-03-03keras實現(xiàn)圖像預處理并生成一個generator的案例
這篇文章主要介紹了keras實現(xiàn)圖像預處理并生成一個generator的案例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06