Python基础爬虫
搭建环境:
win10,Python3.6,pycharm,未设虚拟环境
之前写的爬虫并没有架构的思想,且不具备面向对象的特征,现在写一个基础爬虫架构,爬取百度百科,首先介绍一下基础爬虫框架的五大模块功能,包括爬虫调度器,URL管理器,HTML下载器,HTML解析器,数据存储器,功能分析如下:
>>爬虫调度器主要负责统筹其他四个模块的协调工作
>>URL管理器负责管理URL链接,维护已经爬取的URL集合和未爬取的URL集合,提供获取新URL链接的接口
>>HTML下载器用于从URL管理器中获取未爬取的URL链接并下载HTML网页
>>HTML解析器用于从HTML下载器中获取已经下载的HTML网页,并从中解析出新的URL链接交给URL管理器,解析出有效数据交给数据存储器
>>数据存储器用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来
URL管理器:
URL管理器主要包括两个变量,一个是已爬取的URL集合,另一个是未爬取的URL集合;链接去重很重要,因为爬取链接重复时容易造成死循环,防止链接重复方法主要有三种,一是内存去重,二是关系数据库去重,三是缓存数据库去重;大型成熟的爬虫基本上采用缓存数据库的去重方案,尽可能避免内存大小的限制,又比关系型数据库去重性能高得多(每爬一个链接之前都要在数据库中查询一遍);由于基础爬虫的爬取数量较小,因此我们使用Python中set这个内存去重方式
在pycharm中新建一个python项目,然后新建一个URLManager.py文件,敲入以下代码:
class UrlManager(object): def __init__(self): self.new_urls = set()#未爬取URL集合 self.old_urls = set()#已爬取URL集合 def has_new_url(self): ''' 判断是否有未爬取的url :return ''' return self.new_url_size()!= 0 def get_new_url(self): ''' 获取一个未爬取的url :return: ''' new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url def add_new_url(self,url): ''' 将新的url添加到未爬取的URL集合中 :return: ''' 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): ''' 将新的URL添加到未爬取的URL集合中 ''' 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URL集合的大小 ''' return len(self.new_urls) def old_url_size(self): ''' 获取已经爬取URL集合的大小 ''' return len(self.old_urls)
HTML下载器
HTML下载器用来下载网页,这时候需要注意网页的编码,以保证下载的网页没有乱码,同样新建一个HtmlDownloader.py
import requests class HtmlDownloader(object): def download(self,url): if url is None: return None user_agent = 'Your user_agent' headers = {'User-Agent': user_agent} r = requests.get(url,headers=headers) if r.status_code==200: r.encoding='utf-8' return r.text return None
HTML解析器
在这里HTML解析器使用BeautifulSoup来解析网页源码,其他解析方式还有CSS选择器,xpath,pyquery(大杀器),正则等等,我们需要提取正文标题,摘要以及网页中存在的URL链接,
同样新建一个HtmlParser.py文件
看下网页源码:
定位到了标题位置,div > h1
所以可以这么写:
title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1').get_text()
再看摘要位置:
所以可以这么写:
summary = soup.find('div',class_='lemma-summary').get_text().strip()
再看网页中的URL链接:
大多数是这种格式:<a target="_blank" href="/item/%E4%B8%87%E7%BB%B4%E7%BD%91">万维网</a>,以及其他格式,因此写一个如下的提取(其实并不能提取以91结尾的URL,正则太久没写忘记了。。):
links = soup.find_all('a',href=re.compile(r'/item/[\w\W]*?91'))
具体代码:
import re import urllib from bs4 import BeautifulSoup import requests class HtmlParser(object): def parser(self,page_url,html_cont): ''' 用于解析网页内容,抽取URL和数据 ''' if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont,'html5lib') 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 ''' new_urls = set() links = soup.find_all('a',href=re.compile(r'/item/[\w\W]*?91')) 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): ''' 抽取有效数据 ''' data = {} data['url'] =page_url title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1') data['title'] = title.get_text() summary = soup.find('div',class_='lemma-summary') data['summary']=summary.get_text().strip() return data '''
以下代码是我用来单独测试这个模块的
def download(self,page_url): if page_url is None: return None user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36' headers = {'User-Agent': user_agent} r = requests.get(page_url,headers=headers) if r.status_code==200: r.encoding='utf-8' return r.text return None parser = HtmlParser() page_url = 'https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711' html_cont = parser.download(page_url) new_urls,new_data = parser.parser(page_url,html_cont) print(new_urls,new_data) '''
数据存储器
包括两个方法,store_data用来将HTML解析模块解析出来的数据存储到内存中(list),out_html用来将存储的数据输出为HTML格式(利于展示),同样新建一个DataOutput.py文件
代码如下:
import codecs class DataOutput(object): def __init__(self): self.datas = [] def store_data(self,data): if data is None: return self.datas.append(data) def output_html(self): fout = codecs.open('baike.html','w',encoding='utf-8') fout.write("<html>") 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()
爬虫调度器
爬虫调度器要做的工作就是初始化各个模块,然后通过一个方法传入入口URL,按照流程运行各个模块,同样新建一个SpiderMan.py文件
代码如下:
from DataOutput import DataOutput from HtmlDownloader import HtmlDownloader from HtmlParser import HtmlParser from UrlManager import UrlManager class SpiderMan(object): def __init__(self): self.manager = UrlManager() self.downloader = HtmlDownloader() 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,同时判断抓取了多少个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() #HTML下载器下载网页 html = self.downloader.download(new_url) #print(html) # #HTML解析器抽取网页数据 new_urls,data = self.parser.parser(new_url,html) #print(new_urls,data) # #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("crawl failed") self.output.output_html() if __name__ == "__main__": spider_man = SpiderMan() spider_man.crawl("https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711")
最后输出的HTML文件如下:
并不是很利于展示。。。再接再厉