爬虫格式
爬虫的整个基础架构分为:爬虫调度器,url管理器,HTML下载器,解析器,数据库存储
爬虫调度器:主要是配合调用其他四个模块,所谓调度就是取调用其他的模板
URL管理器:就是负责管理URL链接的,URL链接分为已经爬取的和未爬取的,这就需要URL管理器来管理它们,同时它也为获取新URL链接提供接口。
HTML下载器:就是将要爬取的页面的HTML下载下来
解析器:就是将要爬取的数据从HTML源码中获取出来,同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。
数据存储:就是将HTML下载器发送过来的数据存储到本地
案例
url管理器(UrlManage.py)
# 在这里主要就是两个集合,一个是已爬取URL的集合,另一个是未爬取URL的集合。这里我使用的是set类型,因为set自带去重的功能。
class URLManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
def has_new_url(self):
# 判断是否有未爬取的url
return self.new_url_size()!=0
def get_new_url(self):
# 获取一个未爬取的链接
new_url = self.new_urls.pop()
# 提取之后,将其添加到已爬取的链接中
self.old_urls.add(new_url)
return new_url
def add_new_url(self, url):
# 将新链接添加到未爬取的集合中(单个链接)
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):
# 将新链接添加到未爬取的集合中(集合)
if urls is None or len(urls)==0:
return
for url in urls:
self.add_new_url(url)
def new_url_size(self):
# 获取未爬取的url大小
return len(self.new_urls)
def old_url_size(self):
# 获取已爬取的url大小
return len(self.old_urls)
HTML下载器(HTMLDownload.py)
import requests
class HTMLDownload(object):
def download(self, url):
if url is None:
return
s = requests.Session()
s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
res = s.get(url)
# 判断是否正常获取
if res.status_code == 200:
res.encoding='utf-8'
res = res.text
return res
return None
解析器(Parser.py)
import re
from bs4 import BeautifulSoup
class Parser(object):
def parser(self, page_url, html_cont):
'''
用于解析网页内容,抽取URL和数据
:param page_url: 下载页面的URL
:param html_cont: 下载的网页内容
:return: 返回URL和数据
'''
if page_url is None or html_cont is None:
return
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
def _get_new_urls(self,page_url,soup):
'''
抽取新的URL集合
:param page_url:下载页面的URL
:param soup: soup数据
:return: 返回新的URL集合
'''
new_urls = set()
for link in range(1,100):
# 添加新的url
new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
new_urls.add(new_url)
print(new_urls)
return new_urls
def _get_new_data(self,page_url,soup):
'''
抽取有效数据
:param page_url:下载页面的url
:param soup:
:return: 返回有效数据
'''
data={}
data['url'] = page_url
title = soup.find('div', class_='post-intro').find('h2')
print(title)
data['title'] = title.get_text()
summary = soup.find('div', class_='post-intro').find('p')
data['summary'] = summary.get_text()
return data
存储器(DataMemory.py)
import codecs
class DataMemory(object):
def __init__(self):
self.datas = []
def store_data(self,data):
if data is None:
return
self.datas.append(data)
def output_html(self):
# 这里算是存储在HTML中,也可以存储到数据库中
fout = codecs.open('baike.html', 'a', encoding='utf-8')
fout.write("<html>")
fout.write("<head><meta charset='utf-8'/></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'])
fout.write("</tr>")
self.datas.remove(data)
fout.write("</table>")
fout.write("</body>")
fout.write("</html>")
fout.close()
调度器(schedule.py)
from DataMemoryimport DataMemory
from Parser import Parser
from HTMLDownload import HTMLDownload
from URLManager import URLManager
class Schedule(object):
def __init__(self):
self.manager = URLManager()
self.downloader = HTMLDownload()
self.parser = HTMLParser()
self.output = DataOutput()
def crawl(self, root_url):
# 添加入口URL
self.manager.add_new_url(root_url)
# 判断url管理器中是否有新的url,同时判断抓取多少个url
while(self.manager.has_new_url() and self.manager.old_url_size()<100):
try:
# 从URL管理器获取新的URL
new_url = self.manager.get_new_url()
print(new_url)
# HTML下载器下载网页
html = self.downloader.download(new_url)
# HTML解析器抽取网页数据
new_urls, data = self.parser.parser(new_url, html)
print(new_urls)
# 将抽取的url添加到URL管理器中
self.manager.add_new_urls(new_urls)
# 数据存储器存储文件
self.output.store_data(data)
print("已经抓取%s个链接" % self.manager.old_url_size())
except Exception as e:
print("failed")
print(e)
# 数据存储器将文件输出成指定的格式
self.output.output_html()
if __name__ == '__main__':
spider_man = Schedule()
spider_man.crawl("http://www.runoob.com/w3cnote/page/1")