python爬虫
参考：
2.https://blog.csdn.net/dai_fun/article/details/49887557
3.python实现简单爬虫功能，主要参考这个
这两天心血来潮，重拾很久之前就想学的Python爬虫，之前零星跟过一些爬虫学习教程且做了几个小的爬虫，但是没有深究。现在回过头来重新学习爬虫，以此为记录。关于什么是爬虫？参考这篇文章。
一、几个小的爬虫程序
百度全智贤贴吧的全智贤各年份广告CF汇总，爬取上面的jpg图片，代码如下：
#coding=utf-8 import re import urllib def getHtml(url): page = urllib.request.urlopen(url) html = page.read() return html def getImg(html): html = html.decode('utf-8') # reg = r'src="(http://img.*?\.jpg)"' reg = r'src="(.+?\.jpg)" pic_ext' imgre = re.compile(reg) imglist = re.findall(imgre,html) x=1 for imgurl in imglist: urllib.request.urlretrieve(imgurl,'%s.jpg' % x) x+=1 return x html = getHtml('http://tieba.baidu.com/p/3466236659?pn=1') print (getImg(html))
注意到reg = 有两种表达，都是可以的。
当然也可以把网页内容下载下来，存入一个html文件，代码如下：
import string,urllib def baidu_tieba(url,begin_page,end_page): for i in range(begin_page,end_page+1): sName=str(i).zfill(5)+'.html' print ('正在下载第'+str(i)+'个网页，并将其存储为'+sName+'......') f=open(sName,'wb') m=urllib.request.urlopen(url+str(i)).read() f.write(m) f.close() bdurl=str(input(u'请输入地址，去掉pn=后面的数字:\n')) begin_page=int(input(u'请输入开始的页数:\n')) end_page=int(input(u'请输入终点的页数:\n')) baidu_tieba(bdurl,begin_page,end_page) #http://tieba.baidu.com/p/3466236659?pn=
二、百度百科词条爬虫
学习资源：https://www.imooc.com/learn/563，这个是目前来看比较好的网页爬虫教程，很多人都学的这个，初看有点啰嗦，但是其实每个模块的编写思路都是值得学习的。
程序分为5个模块，分别是调度器、URL管理器、HTML下载器、HTML解析器、HTML输出器。
调度器代码（PS:本人用的Spyder，在调度器第一行直接import同一个项目中的其余4个模块，其它IDE可能有所差别）：
import url_manager, html_downloader, html_parser, html_outputer class SpiderMain(object): def __init__(self): self.urls = url_manager.UrlManager() self.downloader = html_downloader.HtmlDownloader() self.parser = html_parser.HtmlParser() self.outputer = html_outputer.HtmlOutputer() 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() #获取一个未访问过的Url地址 print ('craw %d: %s'%(count,new_url))#显示进度条 html_cont = self.downloader.download(new_url) #返回的是urllib.request.urlopen(url).read() new_urls,new_data = self.parser.parse(new_url,html_cont) #返回当前页面中的超链接的new_urls，以及当前页面的数据new_data self.urls.add_new_urls(new_urls)#收集新urls self.outputer.collect_data(new_data)#收集新数据 if count == 10: break count = count + 1 except: print ('craw failed') self.outputer.output_html() pass if __name__== "__main__": root_url="https://baike.baidu.com/item/Python/407313" obj_spider= SpiderMain() obj_spider.craw(root_url)
URL管理器代码：
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 pass def get_new_url(self): new_url= self.new_urls.pop() self.old_urls.add(new_url) return new_url
HTML下载器：
import urllib class HtmlDownloader(object): def download(self, url): if url is None: return None response = urllib.request.urlopen(url) if response.getcode() !=200: return None return response.read()
HTML解析器：
from bs4 import BeautifulSoup import re import urllib 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 def _get_new_data(self, page_url, soup): res_data = {} # url res_data['url']= page_url #<dd class="lemmaWgt-lemmaTitle-title"> title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1") res_data['title'] = title_node.get_text() summary_node = soup.find('div', class_= "para") res_data['summary'] = summary_node.get_text() return res_data def parse(self, page_url, html_cont): if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, '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
HTML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('output.html','w') fout.write("<html>") fout.write("<body>") fout.write("<table>") # ascii 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']) fout.write("</tr>") fout.write("</table>") fout.write("</body>") fout.write("</html>")
本次学习问题总结：
1.完全根据视频中的代码是不行的，首先视频中代码基于python2.x，而我安装的是python3.5；其次urllib2好像已经不能用了，都用urllib以及urllib.request代替了，urlparse模块的功能也由urllib.parse给替代了；
2.卡的时间比较多的两点：
一是：程序执行完一个页面就没了，交互界面显示出craw2:failed，同时输出的output.html为空；解决方法应该是html_parser.py中的_get_new_urls()函数的第二行代码应该改为：links = soup.find_all('a',href=re.compile(r"/item/"))，这是因为百科页面本身超链接部分的html源码变了（我的理解）。
二是：程序成功跑完10个页面(count = 10)后，output.html文件中的内容全是看不懂的/xe5/xf4/ef2/...等东西，而不是我们想要的摘要文字；解决方法应该是html_outputer()中的问题，fout.write("<td>%s</td>"% data['content'].encode('utf-8'))应该改为fout.write("<td>%s</td>"% data['content'])，上面一行同理。
