Python 爬虫实例(爬百度百科词条)
爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后,它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止。另外,所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的查询和检索。常见的爬虫框架有Scrapy等。
自定义爬虫程序一般包含:URL管理器、网页下载器、网页解析器、输出处理器。
以下我写了一个爬取百度百科词条的实例。
爬虫主程序入口
from crawler_test.html_downloader import UrlDownLoader from crawler_test.html_outer import HtmlOuter from crawler_test.html_parser import HtmlParser from crawler_test.url_manager import UrlManager # 爬虫主程序入口 class MainCrawler(): def __init__(self): # 初始值,实例化四大处理器:url管理器,下载器,解析器,输出器 self.urls = UrlManager() self.downloader = UrlDownLoader() self.parser = HtmlParser() self.outer = HtmlOuter() # 开始爬虫方法 def start_craw(self, main_url): print('爬虫开始...') count = 1 self.urls.add_new_url(main_url) while self.urls.has_new_url(): try: new_url = self.urls.get_new_url() print('爬虫%d,%s' % (count, new_url)) html_cont = self.downloader.down_load(new_url) new_urls, new_data = self.parser.parse(new_url, html_cont) # 将解析出的url放入url管理器,解析出的数据放入输出器中 self.urls.add_new_urls(new_urls) self.outer.conllect_data(new_data) if count >= 10: # 控制爬取的数量 break count += 1 except: print('爬虫失败一条') self.outer.output() print('爬虫结束。') if __name__ == '__main__': main_url = 'https://baike.baidu.com/item/Python/407313' mc = MainCrawler() mc.start_craw(main_url)
URL管理器
# URL管理器 class UrlManager(): def __init__(self): self.new_urls = set() # 待爬取 self.old_urls = set() # 已爬取 # 添加一个新的url def add_new_url(self, url): if url is None: return elif url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) # 批量添加url def add_new_urls(self, urls): if urls is None or len(urls) == 0: return else: for url in urls: self.add_new_url(url) # 判断是否有url def has_new_url(self): return len(self.new_urls) != 0 # 从待爬取的集合中获取一个url def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url
网页下载器
from urllib import request # 网页下载器 class UrlDownLoader(): def down_load(self, url): if url is None: return None else: with request.urlopen(url) as rp: # 发请求,打开网页 if rp.status != 200: return None else: return rp.read() # 读取网页内容
网页解析器
import re from urllib import request from bs4 import BeautifulSoup # 网页解析器,使用BeautifulSoup class HtmlParser(): # 每个词条中,可以有多个超链接 # main_url指url公共部分,如“https://baike.baidu.com/” def _get_new_url(self, main_url, soup): # baike.baidu.com/ # <a target="_blank" href="/item/%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E8%AF%AD%E8%A8%80">计算机程序设计语言</a> new_urls = set() # 解析出main_url之后的url部分 child_urls = soup.find_all('a', href=re.compile(r'/item/(\%\w{2})+')) for child_url in child_urls: new_url = child_url['href'] # 再拼接成完整的url full_url = request.urljoin(main_url, new_url) new_urls.add(full_url) return new_urls # 每个词条中,只有一个描述内容,解析出数据(词条,内容) def _get_new_data(self, main_url, soup): new_datas = {} new_datas['url'] = main_url # <dd class="lemmaWgt-lemmaTitle-title"><h1>计算机程序设计语言</h1>... new_datas['title'] = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1').get_text() # class="lemma-summary" label-module="lemmaSummary"... new_datas['content'] = soup.find('div', attrs={'label-module': 'lemmaSummary'}, class_='lemma-summary').get_text() return new_datas # 解析出url和数据(词条,内容) def parse(self, main_url, html_cont): if main_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'lxml', from_encoding='utf-8') new_url = self._get_new_url(main_url, soup) new_data = self._get_new_data(main_url, soup) return new_url, new_data
输出处理器
# 输出器 class HtmlOuter(): def __init__(self): self.datas = [] # 先收集数据 def conllect_data(self, data): if data is None: return self.datas.append(data) return self.datas # 输出为HTML def output(self, file='output_html.html'): with open(file, 'w', encoding='utf-8') as fh: fh.write('<html>') fh.write('<head>') fh.write('<meta charset="utf-8"></meta>') fh.write('<title>爬虫数据结果</title>') fh.write('</head>') fh.write('<body>') fh.write( '<table style="border-collapse:collapse; border:1px solid gray; width:80%; word-wrap:break-word; margin:20px auto;">') fh.write('<tr>') fh.write('<th style="border:1px solid black; width:35%;">URL</th>') fh.write('<th style="border:1px solid black; width:15%;">词条</th>') fh.write('<th style="border:1px solid black; width:50%;">内容</th>') fh.write('</tr>') for data in self.datas: fh.write('<tr>') fh.write('<td style="border:1px solid black">{0}</td>'.format(data['url'])) fh.write('<td style="border:1px solid black">{0}</td>'.format(data['title'])) fh.write('<td style="border:1px solid black">{0}</td>'.format(data['content'])) fh.write('</tr>') fh.write('</table>') fh.write('</body>') fh.write('</html>')
效果(部分):
至此,转载请注明出处。