第二十八天
爬虫学习(三)
今天我们来小试一下手脚,爬取一下百度百科python首页词条相关的页面数据。想要抓取数据,其实只需要四步走:
1、确定目标
2、分析目标
3、编写代码
4、执行爬虫
1、分析目标
既然要爬取数据,我们要从爬取目标的三个方面来分析,分别是url格式、数据格式、网页编码。
url格式:我们进入百度百科python首页:
https://baike.baidu.com/item/Python/407313
右键检查元素:
url格式 :
/item/XXX
标题格式:
<dd class="lemmaWgt-lemmaTitle-title"><h1>***</h1></dd>
简介格式:
<div class="lemma-summary">***</div>
编码集:utf-8
2、编写代码
2.1、URL管理器
1、 将新搜寻到的url加入到新url的set( )数据结构中。
2、将已搜寻的url加入到旧url的set( )数据结构中。
3、实现了对url的一系列控制,保证不会有重复的url地址或者不会来回几个地址重复搜寻。
代码如下:
#### Url管理器
class UrlManager():
def __init__(self):
self.new_urls = set() # 要爬取的地址
self.old_urls = set() # 爬取过的地址
# url管理器添加url
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)
# url管理器添加多条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)
# 判断管理器中是否有新的在爬取的url
def has_new_url(self):
return len(self.new_urls) != 0
# url管理器获取一个新的在爬取的url
def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
2.2、网页下载器
网页下载器目的就是获得爬取到数据的内容的。常用技术有两种:
1 urllib2 —Python官网基础模块
2 requests —第三方包更强大
import urllib.request as urllib2
class HtmlDownloader():
def download(self,url):
if url is None:
return None
response = urllib2.urlopen(url)
if response.getcode() != 200:
return None
return response.read()
2.3、网页解析器
网页解析器,简单的说就是用来解析html网页的工具,准确的说:它是一个HTML网页信息提取工具,就是从html网页中解析提取出“我们需要的有价值的数据”或者“新的URL链接”的工具。这里我们使用BeautifulSoup第三方模块。
from bs4 import BeautifulSoup
import re
from urllib import parse
class HtmlParser():
def parse(self,page_url,html_content):
if page_url is None or html_content is None:
return
soup = BeautifulSoup(html_content,'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
def _get_new_urls(self, page_url, soup):
# 得到所有的词条url
links = soup.find_all('a', href=re.compile(r"/item/.*"))
new_urls = set()
for link in links:
new_url = link['href']
# parse.urlparse 字符串组合
new_full_url = parse.urlparse.urljoin(page_url, new_url) #全路径
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
res_data = {} #存放数据 存放标题与简介
# url
res_data['url'] = page_url
# <dd class="lemmaWgt-lemmaTitle-title">
# <h1>Python</h1>
title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find("h1")
res_data['title'] = title_node.get_text()
# <div class="lemma-summary" label-module="lemmaSummary">
summary_node = soup.find('div', class_="lemma-summary")
res_data['summary'] = summary_node.get_text()
return res_data
2.4、页面输出器
页面输出器,其实就是定义输出的内容格式。
# 网页输出器
class HtmlOutput():
def __init__(self):
self.datas = []
def collect_data(self,data):
if data is None:
return
self.datas.append(data)
# 定义输出格式
def output_html(self):
fout = open('output.html','w')
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'].encode('utf-8'))
fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))
fout.write("</tr>")
fout.write("/table")
fout.write('</body>')
fout.write('</html>')
2.5、主入口文件
前期工作已经准备完毕,我们将爬虫程序的各个组成部分已经完成,最后一步代码工作们就是在入口文件中组合完成爬虫代码工作。
class SpiderMain():
# 构造函数
def __init__(self):
# url管理器
self.urls = url_manager.UrlManager()
# 下载器
self.downloader = html_downloader.HtmlDownloader()
# 解析器
self.parser = html_parser.HtmlParser()
# 输出控制器
self.outputer = html_outputer.HtmlOutput()
# 爬取数据
def craw(self, root_url):
# 记录当前爬取的是第几个url
count = 1
self.urls.add_new_url(root_url)
# 如果有待爬取的url就继续while循环
while self.urls.has_new_url():
new_url = self.urls.get_new_url()
print
'craw %d : %s' % (count, new_url)
# 下载url页面
html_cont = self.downloader.download(new_url)
# print html_cont
# 进行url解析并获取url的数据
new_urls, new_data = self.parser.parse(new_url, html_cont)
# url解析及数据搜集
self.urls.add_new_urls(new_urls)
self.outputer.collect_data(new_data)
if count >= 10:
break
count = count + 1
# 输出到指定页面
self.outputer.output_html()
# 入口文件
if __name__ == '__main__':
root_url = 'https://baike.baidu.com/item/Python/407313'
obj_spider = SpiderMain()
obj_spider.craw(root_url)
网友评论