美文网首页
Python学习

Python学习

作者: 逛逛_堆栈 | 来源:发表于2021-04-21 21:18 被阅读0次

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)

3、代码执行查看效果

相关文章

网友评论

      本文标题:Python学习

      本文链接:https://www.haomeiwen.com/subject/gisvlltx.html