Python进阶篇：Python简单爬虫

目录

  • 前言
  • 要解决的问题
  • 设计方案
  • 代码说明
  • 小结

 

 

前言

 

前一段一直在打基础，已经学习了变量，流程控制，循环，函数这几块的知识点，就想通过写写小程序来实践一下，来加深知识点的记忆和理解。首先考虑的就是爬虫啦，一直很崇拜爬虫大师，特别想能够学习一些爬虫技术，去淘宝上爬爬数据，说不定什么时候可以使用数据进行一些分析，比如哪天自己也开了个小店啥的~~。为了能够开始起步， 我看了一些视频，查阅了一些资料，起步阶段就不用那些很牛逼的框架了，主要是想通过基本的爬虫来了解爬虫的基本概念和思路。

 

要解决的问题

查阅百度百科的某个关键词以及相关联的关键词的集合。这是一个比较有意义的事情，通过这样的数据能更好的理解相关的生态圈。比如我查阅“分布式计算”  http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448 文章里面含有很多的有链接的关键词，就这样不断的迭代去爬这些链接的关键词的文章内的关键词。

设计方案

爬虫含有5个组成部分：主程序，URL管理器，HTML下载器，HTML解析器，结果展示器

主程序：调度其他的部件的执行，并作为主程序入口来执行代码

URL管理器： 管理URL的集合以及状态 - 未下载的URL，已下载的URL，添加新的URL，去除已现在的URL

HTML下载器： 下载URL对应的HTML

HTML解析器： 解析下载下来的HTML，取出有用的数据

结果展示器： 组织最终生成的数据，并展示或者存储起来

 

代码说明

  • 代码组织架构

  •  代码展示
部件名称 程序名称 代码
主程序 SpiderMain.py 
from Spider import UrlManager,HtmlDownloader,HtmlParser,HtmlOutputer

class Spider(object):

    def __init__(self):
        self.urlmanager = UrlManager.Manager()
        self.htmldownloader = HtmlDownloader.Downloader()
        self.htmlparser = HtmlParser.Parser()
        self.htmloutputer = HtmlOutputer.Outputer()


    def scrpy(self, root_url):
        self.urlmanager.add_new_urls(root_url)
        count = 1
        while(self.urlmanager.has_new_url()):
            if(count>10):
                break

            curr_url = self.urlmanager.get_new_url()
            html_content = self.htmldownloader.load(curr_url)
            print("No.%d Downloading URL %s" % (count, curr_url))
            word,new_urls,lemmasummary = self.htmlparser.parse(curr_url,html_content)
            data={}
            data['word']=word
            data['curr_url']=curr_url
            data['lemmasummary']=lemmasummary
            self.htmloutputer.collect(data)
            self.urlmanager.add_new_urls(new_urls)
            count = count + 1
        self.htmloutputer.genhtml()



if(__name__=='__main__'):
    root_url = "http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448"
    spider = Spider()
    spider.scrpy({root_url})

 
URL管理器 UrlManager.py 
class Manager(object):
    def __init__(self):
        self.old_urls=set()
        self.new_urls=set()

    def add_new_urls(self, root_url):
        for url in root_url:
            if(root_url not in self.old_urls and  root_url not in self.new_urls):
                self.new_urls.add(url)

    def has_new_url(self):
        if(len(self.new_urls) > 0):
            return True
        else:
            return False

    def get_new_url(self):
        tmp=self.new_urls.pop()
        self.old_urls.add(tmp)
        return tmp
HTML下载器 HtmlDownloader.py 
import urllib.request

class Downloader(object):
    def load(self, curr_url):
        html = urllib.request.urlopen(curr_url)
        return html.read().decode("UTF-8",'ignore')
HTML解析器 HtmlParser.py 
import re
from urllib.parse import urljoin
from bs4 import BeautifulSoup

class Parser(object):
    def __init__(self):
        self.title = ''
        self.urls = set()
        self.lemmasummary = ''

    def parse(self, curr_url, html_content):
        soup = BeautifulSoup(html_content, 'html.parser',from_encoding="utf-8")
        soupurls=soup.find_all('a',href=re.compile(r'/view'))
        for url in soupurls:
           self.urls.add(urljoin(curr_url,url['href']))
        self.title = soup.title.string.split("_")[0]
        self.lemmasummary = soup.find('div',class_='lemma-summary')
        return self.title,self.urls,self.lemmasummary
结果展示器 HtmlOutputer.py 
class Outputer(object):
    def __init__(self):
        self.table = []

    def collect(self, data):
        self.table.append(data)

    def genhtml(self):
        html = open('result.html','w')
        html.write("<html>")
        html.write("<head>")
        html.write("</head>")
        html.write("<body>")
        html.write("<table>")
        for data in self.table:
            html.write("<tr>")
            html.write("<td>%s</td>" % data['word'])
            html.write("<td>%s</td>" % data['curr_url'])
            html.write("<td>%s</td>" % data['lemmasummary'])
            html.write("</tr>")
        html.write("</table>")
        html.write("</body>")
        html.write("</html>")
        html.close()

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

  •  最终的结果

 

小结

在上面的爬虫代码里面，主要体现了爬虫的几个部件之间的配合，以及每个部件的所引用的模块，比如urllib,bs4,re

 

 

posted @ 2016-11-28 23:22  晨柳溪  阅读(925)  评论(0)  编辑  收藏  举报