这两天自学了python写爬虫,总结一下:

开发目的:抓取百度百科python词条页面的1000个网页

设计思路:

1,了解简单的爬虫架构:

2,动态的执行流程:

3,各部分的实现:

URL管理器:python内存

网页下载器:python3自带的urllib模块

网页解析器:使用第三方插BeautifulSoup

4,开发思路:

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=”lemma Wgt-lemmaTitle-title”><h1>***</h1></dd>

简介:<div class=”lemma-summary”>***</div>

页面编码:UTF-8

5,开发过程:

①首先建立一个Pydev工程,新建一个web_spider库,新建一个主函数spider_main,在主函数中调用:URL管理器:url_manager,网页下载器:html_downloader,网页解析器:html_paeser.,网页输出:html_outputer来完成相应的功能

②URL管理器的建立:

新建已读取和未读取的URL集合,用来存放相应的URL地址,定义三个函数:get_new_url(self), add_new_urls(self,urls),add_new_url(self,url)来完成相应的功能

③ 网页下载器的建立:

网页下载的方法:

import urllib.request

response=urllib.request.urlopen(url)

if response.getcode()!=200:

return None

return response.read().decode('UTF-8')

④网页解析器的建立:

导入BeautifulSoup模块,

创建BeautifulSoup对象,调用find方法搜索并访问节点

⑤网页输出的实现:

将抓取到的数据写入到一个HTML网页中

6,遇到的问题及解决方案:

准备工作:

一、1,BeautifulSoup下载地址:https://www.crummy.com/software/BeautifulSoup/

2.下载完成之后需要解压缩,假设放到D:/python下。

3.运行cmd,切换到D:/python/beautifulsoup4-4.1.3/目录下(根据自己解压缩后的目录      和下载的版本号修改),

4.运行命令:

setup.py build

setup.py install

5.在IDE下from bs4 import BeautifulSoup,没有报错说明安装成功。

二、在ecplise中安装PyDev插件后却无法建立项目,后来发现是没有配置python3的解释器,具体步骤为:在 Eclipse 菜单栏中,选择 Window > Preferences > Pydev > Interpreter - (Python/Jython),在这里配置 Python/Jython 解释器

实例代码如下

1spider_main.py

# coding:utf8

from baike_spider import url_manager, html_downloader, html_outputer,\

html_parser

class SpiderMain(object):

def __init__(self):

self.urls=url_manager.UrlManager()

self.downloader=html_downloader.HtmlDownloader()

self.parser=html_parser.HtmlParser()

self.outputer=html_outputer.HtmlOutputer()

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_cont=self.downloader.download(new_url)

new_urls,new_data=self.parser.parse(new_url,html_cont)

self.urls.add_new_urls(new_urls)

self.outputer.collect_data(new_data)

if count==1000:

break

count=count+1

except:

print("craw failed")

self.outputer.output_html()

if __name__=="__main__":

root_url="http://baike.baidu.com/view/21087.htm"

obj_spider=SpiderMain()

obj_spider.craw(root_url)

 (2)url_manager.py

# coding:utf8

class UrlManager(object):

def __init__(self):

self.new_urls=set()

self.old_urls=set()

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

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 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)

(3)html_downloader.py

# coding:utf8

import urllib.request

class HtmlDownloader(object):

def download(self,url):

if url is None:

return None

response=urllib.request.urlopen(url)

if response.getcode()!=200:

return None

return response.read().decode('UTF-8')

 (4)html_paeser.py

# coding:utf8

from bs4 import BeautifulSoup

import re

import urllib

class HtmlParser(object):

def _get_new_urls(self, page_url, soup):

new_urls=set()

links=soup.find_all('a',href=re.compile(r"/view/\d+\.htm"))

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

def _get_new_data(self, page_url, soup):

#<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>

res_data={}

res_data['url']=page_url

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

def parse(self,page_url,html_cont):

if page_url is None or html_cont is None:

return None

soup=BeautifulSoup(html_cont,'html.parser',from_encoding='utf8')

new_urls=self._get_new_urls(page_url,soup)

new_data=self._get_new_data(page_url,soup)

return new_urls,new_data

(5)html_outputer.py

# coding:utf8

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("output.html",'w',encoding='utf8')

fout.write("<html>")

fout.write("<body>")

fout.write("<table>")

for data  in self.datas:

fout.write("<tr>")

fout.write("<td>%s</td>"%str(data['url']))

fout.write("<td>%s</td>"%str(data['title']))

fout.write("<td>%s</td>"%str(data['summary']))

fout.write("</tr>")

fout.write("</table>")

fout.write("</body>")

fout.write("</html>")

fout.close()

运行结果如图:

Python开发轻量级爬虫的更多相关文章

  1. Python 开发轻量级爬虫08

    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 ...

  2. Python 开发轻量级爬虫07

    Python 开发轻量级爬虫 (imooc总结07--网页解析器BeautifulSoup) BeautifulSoup下载和安装 使用pip install 安装:在命令行cmd之后输入,pip i ...

  3. Python 开发轻量级爬虫06

    Python 开发轻量级爬虫 (imooc总结06--网页解析器) 介绍网页解析器 将互联网的网页获取到本地以后,我们需要对它们进行解析才能够提取出我们需要的内容. 也就是说网页解析器是从网页中提取有 ...

  4. Python 开发轻量级爬虫05

    Python 开发轻量级爬虫 (imooc总结05--网页下载器) 介绍网页下载器 网页下载器是将互联网上url对应的网页下载到本地的工具.因为将网页下载到本地才能进行后续的分析处理,可以说网页下载器 ...

  5. Python 开发轻量级爬虫04

    Python 开发轻量级爬虫 (imooc总结04--url管理器) 介绍抓取URL管理器 url管理器用来管理待抓取url集合和已抓取url集合. 这里有一个问题,遇到一个url,我们就抓取它的内容 ...

  6. Python 开发轻量级爬虫03

    Python 开发轻量级爬虫 (imooc总结03--简单的爬虫架构) 现在来看一下一个简单的爬虫架构. 要实现一个简单的爬虫,有哪些方面需要考虑呢? 首先需要一个爬虫调度端,来启动爬虫.停止爬虫.监 ...

  7. Python 开发轻量级爬虫02

    Python 开发轻量级爬虫 (imooc总结02--爬虫简介) 爬虫简介 首先爬虫是什么?它是一段自动抓取互联网信息的程序. 什么意思呢? 互联网由各种各样的的网页组成,每一个网页都有对应的url, ...

  8. Python 开发轻量级爬虫01

    Python 开发轻量级爬虫 (imooc总结01--课程目标) 课程目标:掌握开发轻量级爬虫 为什么说是轻量级的呢?因为一个复杂的爬虫需要考虑的问题场景非常多,比如有些网页需要用户登录了以后才能够访 ...

  9. Python开发简单爬虫 - 慕课网

    课程链接:Python开发简单爬虫 环境搭建: Eclipse+PyDev配置搭建Python开发环境 Python入门基础教程 用Eclipse编写Python程序   课程目录 第1章 课程介绍 ...

随机推荐

  1. 如何安装SQL Server 2008数据库(带完整图解)

    在电脑上安装SQL Server 2008 软件时,经常会遇到各种各样的问题,如何成功的安装SQL Server 2008呢?提供完整过程和图片详解. 工具/原料 电脑一台 软件:sql server ...

  2. cocos2d-x引擎实现$1Unistroke Recognizer手势识别

    $1 Unistroke(单笔画) Recognizer官网 http://depts.washington.edu/aimgroup/proj/dollar/ (在官网还有多笔画的识别库) 代码下载 ...

  3. JPA OpenJPA 简单例子

    JPA 全称,Java Persistence API,Java持久化API JPA是一套持久化标准,相当于JDBC标准,针对于此标准的实现目前有OpenJAP,TOPLINK,Hibernate等. ...

  4. Android,使用Intent或Bundle传递参数,跳转页面。

    (1)使用Intent跳转页面: 第一个activity:MainActivity.java中: Intent myIntent = new Intent(); myIntent.putExtra(& ...

  5. 16% off MPPS V16 ECU tuning tool for EDC15 EDC16 EDC17

    EOBD2.FR is offering 16% discount off the latest MPPS V16 ECU chip tuning tool. The device is now so ...

  6. 关于datalist

    http://www.cnblogs.com/shipfi/archive/2009/10/19/1585705.html

  7. 轻松学习Ionic (一) 搭建开发环境,并创建工程

    1.准备工作     下载 Node.js(下载包),WebStorm(IDE,编写代码,浏览器调试),JDK(webstorm 运行环境),Android SDK (Android编译)     不 ...

  8. PHP输入流php://input介绍

    在使用xml-rpc的时候,server端获取client数据,主要是通过php输入流input,而不是$_POST数组.所以,这里主要探讨php输入流php://input 对一php://inpu ...

  9. C#中调用存储过程

    [csharp] view plain copy print? string strsql = "Data Source=192.168.24.53;Initial Catalog=JF_C ...

  10. sql 理解视图

    可以看作是定义在sqlserver上的虚拟的表,本身并不存储数据,仅仅存储一个select语句和涉及的表的引用 通过视图,客户端不再需要知道底层表结构和其之间的关系,视图提供了一个统一访问数据的接口 ...