python系列==3、自定义爬虫

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

python系列==3、自定义爬虫
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)
python系列==3、自定义爬虫

URL管理器

python系列==3、自定义爬虫
# 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
python系列==3、自定义爬虫

网页下载器



python系列==3、自定义爬虫
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
python系列==3、自定义爬虫

网页解析器

python系列==3、自定义爬虫
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
python系列==3、自定义爬虫

输出处理器

python系列==3、自定义爬虫
# 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>')
python系列==3、自定义爬虫

效果(部分):  

python系列==3、自定义爬虫

上一篇:django-3-视图以及路由


下一篇:【原创】大叔经验分享(12)如何程序化kill提交到spark thrift上的sql