Python 开发轻量级爬虫

(imooc总结08--爬虫实例--分析目标)

怎么开发一个爬虫？开发一个爬虫包含哪些步骤呢？

1.确定要抓取得目标，即抓取哪些网站的哪些网页的哪部分数据。

本实例确定抓取Python百度百科词条页面以及相关词条页面的标题和简介。

2.分析这个目标，即需要确定抓取这些网站数据的策略。

有三部分需要分析。

1）需要分析这些目标页面的url格式，用来限定我们要抓取页面的范围。

    如果这个范围不进行限定的话，我们的爬虫就会抓取互联网上很多不相关的网页，造成资源的浪费。

2）我们需要分析要抓取得数据格式。

    在本实例中就要分析，每一个词条页面中标题和简介。这两个数据在标签中的格式。

3）分析页面的编码。

    在我们代码的解析器这部分，需要指定网页的编码，才能够正确的解析。在分析完目标格式以后，

我们进行代码的编写。在代码的解析器这部分，就需要使用到前面分析目标这个步骤所得到的抓取策略结果。

3.执行爬虫，进行数据的抓取。

从这些步骤中，我们可以看到分析目标，即制定抓取目标数据的策略是非常重要的一部分。打开我们爬虫的

入口页，也就是python百度百科词条页面。

我们来分析一下抓取这个页面以及相关页面的数据，它的抓取策略是什么？

首先这个页面的url是 http://baike.baidu.com/view/21087.htm

我们来看一下，相关词条页面的url是什么形式？

    在这个页面中，任意的词条之上，右键审查元素，可以看到都是/view/xxxx.htm，这是一个不完整的url，

在代码中需要在其前面加上baike.baidu.com，把它拼成一个完整的url，才能进行后续的访问。这就是我们得

到的url格式。

然后，我们来看一下要抓取的标题和简介数据标签格式？

    首先我们在python标题上右键审查元素？简介上右键？查看编码格式？通过右键审查元素这种方式，我们就

得到了抓取python以及相关词条网页的url格式、数据格式、网页编码，即得到了抓取这些网站数据的抓取策略。

目标：百度百科python词条相关词条网页 – 标题和简介

入口页： http://baike.baidu.com/view/21087.htm

url格式：

    词条页面url：/view/125370.htm

数据格式：

    标题：

        <dd class="lemmaWgt-lemmaTitle-title">

        <h1>Python</h1>

        </dd>

    简介：

        <div class="lemma-summary" label-module="lemmaSummary"></div>

    页面编码：utf-8

以上就是我们获得抓取python和相关词条网页的抓取策略，这里需要提醒大家的是，每一个互联网的网站

都会不停升级它的格式。作为一个定向爬虫来说，如果一个网站的格式发生了升级，我们的抓取策略随即升

级。

本实例给出的代码，如果运行出错的话可能是网站的格式发生了升级，我们需要打开目标网站，重新制定新

的策略，修改代码后才能够重新运行。

调度程序

    编写实例代码，爬取百度百科python词条页面以及相关1000个页面数据。

创建一个 baike_spider来存放python代码，创建所需要的模块。

创建spider_main.py  -- 爬虫的总调度程序

url_manager  -- url管理器

html_downloader – 下载器

html_parser – 解析器

html_outputer

    – 本代码将所有搜集好的数据写出到一个html页面中，打开一个页面就可以看到所有已经爬取好的数据

spider_main.py

    爬虫总调度程序，会以一个入口的url作为参数来爬取所有的相关的页面。

编写main函数，在main函数中，设置下要爬取的入口url  http://baike.baidu.com/view/21087.htm

创建一个obj_spider = SpiderMain()

首先我们将入口url添加到url管理器，url管理器中已经有了待爬取的url。

当url管理器已经有了待爬取的url的时候，获取一个待爬取的url。

获取之后，我们启动一个下载器下载这个页面， 结果存储在html_cont中。

下载好了页面。我们调用解析器解析这个页面数据，得到新的url列表和新的数据。

解析器

    我们传入两个参数，当前爬取的url和下载好的页面数据。

    解析出来的两个数据 url和数据，进行分别处理。

    将url添加进url管理器，将数据输出并收集。

    这样如果有一个待爬取的url，我们的爬虫就能够爬取所有的url。

最后调用输出收集好的数据。