侯体宗的博客
  • 首页
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

python爬虫实例详解

Python  /  管理员 发布于 7年前   307

本篇博文主要讲解Python爬虫实例,重点包括爬虫技术架构,组成爬虫的关键模块:URL管理器、HTML下载器和HTML解析器。

爬虫简单架构

程序入口函数(爬虫调度段)

#coding:utf8import time, datetimefrom maya_Spider import url_manager, html_downloader, html_parser, html_outputerclass Spider_Main(object): #初始化操作 def __init__(self):  #设置url管理器  self.urls = url_manager.UrlManager()  #设置HTML下载器  self.downloader = html_downloader.HtmlDownloader()  #设置HTML解析器  self.parser = html_parser.HtmlParser()  #设置HTML输出器  self.outputer = html_outputer.HtmlOutputer() #爬虫调度程序 def craw(self, root_url):  count = 1  self.urls.add_new_url(root_url)  while self.urls.has_new_url():   try:    new_url = self.urls.get_new_url()    print('craw %d : %s' % (count, new_url))    html_content = self.downloader.download(new_url)    new_urls, new_data = self.parser.parse(new_url, html_content)    self.urls.add_new_urls(new_urls)    self.outputer.collect_data(new_data)    if count == 10:     break    count = count + 1   except:    print('craw failed')  self.outputer.output_html()if __name__ == '__main__': #设置爬虫入口 root_url = 'http://baike.baidu.com/view/21087.htm' #开始时间 print('开始计时..............') start_time = datetime.datetime.now() obj_spider = Spider_Main() obj_spider.craw(root_url) #结束时间 end_time = datetime.datetime.now() print('总用时:%ds'% (end_time - start_time).seconds)

URL管理器

class UrlManager(object): def __init__(self):  self.new_urls = set()  self.old_urls = set() 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) def add_new_urls(self, urls):  if urls is None or len(urls) == 0:   return  for url in urls:   self.add_new_url(url) def has_new_url(self):  return len(self.new_urls) != 0 def get_new_url(self):  new_url = self.new_urls.pop()  self.old_urls.add(new_url)  return new_url

网页下载器

import urllibimport urllib.requestclass HtmlDownloader(object): def download(self, url):  if url is None:   return None  #伪装成浏览器访问,直接访问的话csdn会拒绝  user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  headers = {'User-Agent':user_agent}  #构造请求  req = urllib.request.Request(url,headers=headers)  #访问页面  response = urllib.request.urlopen(req)  #python3中urllib.read返回的是bytes对象,不是string,得把它转换成string对象,用bytes.decode方法  return response.read().decode()

网页解析器

import reimport urllibfrom urllib.parse import urlparsefrom bs4 import BeautifulSoupclass HtmlParser(object): def _get_new_urls(self, page_url, soup):  new_urls = set()  #/view/123.htm  links = soup.find_all('a', href=re.compile(r'/item/.*?'))  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 #获取标题、摘要 def _get_new_data(self, page_url, soup):  #新建字典  res_data = {}  #url  res_data['url'] = page_url  #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>获得标题标签  title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')  print(str(title_node.get_text()))  res_data['title'] = str(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 def parse(self, page_url, html_content):  if page_url is None or html_content is None:   return None  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, new_data

网页输出器

class HtmlOutputer(object): def __init__(self):  self.datas = [] def collect_data(self, data):  if data is None:   return  self.datas.append(data ) def output_html(self):  fout = open('maya.html', 'w', encoding='utf-8')  fout.write("<head><meta http-equiv='content-type' content='text/html;charset=utf-8'></head>")  fout.write('<html>')  fout.write('<body>')  fout.write('<table border="1">')  # <th width="5%">Url</th>  fout.write('''<tr style="color:red" width="90%">     <th>Theme</th>     <th width="80%">Content</th>     </tr>''')  for data in self.datas:   fout.write('<tr>\n')   # fout.write('\t<td>%s</td>' % data['url'])   fout.write('\t<td align="center"><a href=\'%s\'>%s</td>' % (data['url'], data['title']))   fout.write('\t<td>%s</td>\n' % data['summary'])   fout.write('</tr>\n')  fout.write('</table>')  fout.write('</body>')  fout.write('</html>')  fout.close()

运行结果

附:完整代码

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。


  • 上一条:
    python3第三方爬虫库BeautifulSoup4安装教程
    下一条:
    Python实现的NN神经网络算法完整示例
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在go语言中实现字符串可逆性压缩及解压缩功能(0个评论)
    • 使用go + gin + jwt + qrcode实现网站生成登录二维码在app中扫码登录功能(0个评论)
    • 在windows10中升级go版本至1.24后LiteIDE的Ctrl+左击无法跳转问题解决方案(0个评论)
    • 智能合约Solidity学习CryptoZombie第四课:僵尸作战系统(0个评论)
    • 智能合约Solidity学习CryptoZombie第三课:组建僵尸军队(高级Solidity理论)(0个评论)
    • 智能合约Solidity学习CryptoZombie第二课:让你的僵尸猎食(0个评论)
    • 智能合约Solidity学习CryptoZombie第一课:生成一只你的僵尸(0个评论)
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客