Python实现爬虫从网络上下载文档
最近在学习Python,自然接触到了爬虫,写了一个小型爬虫软件,从初始Url解析网页,使用正则获取待爬取链接,使用beautifulsoup解析获取文本,使用自己写的输出器可以将文本输出保存,具体代码如下:
Spider_main.py
- # coding:utf8
- from baike_spider import url_manager, html_downloader, html_parser, html_outputer
- 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():
- print("self.urls.has %s" % self.urls.new_urls)
- 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()
- self.outputer.output_txt()
- if __name__ == '__main__':
- root_url = "http://www.shushu8.com/jiangnan/longzu2qianzhuan/1"
- obj_spider = SpiderMain()
- obj_spider.craw(root_url)
url_manager.py
- class UrlManager(object):
- def __init__(self):
- self.new_urls = set()
- self.old_urls = set()
- def add_new_url(self, url):
- print(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 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)
- # print('new url is %s' % new_url)
- return new_url
- def add_new_urls(self, urls):
- print("add_new_urls %s" % urls)
- if urls is None or len(urls) == 0:
- return
- for url in urls:
- self.add_new_url(url)
- print(url)
html_parser.py
- import re
- import urllib.parse
- from bs4 import BeautifulSoup
- class HtmlParser(object):
- def parse(self, page_url, html_cont):
- if page_url is None or html_cont is None:
- return
- soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
- new_urls = self._get_new_urls(page_url, soup)
- print("parse new_urls %s" % new_urls)
- new_data = self._get_new_data(page_url, soup)
- return new_urls, new_data
- def _get_new_data(self, page_url, soup):
- res_data = {}
- res_data['url'] = page_url
- print(page_url)
- title_node = soup.find(class_="title").find("h1")
- print(title_node.get_text())
- res_data['title'] = title_node.get_text()
- print("_get_new_data")
- summary_node = soup.find('pre')
- print(summary_node.get_text())
- res_data['summary'] = summary_node.get_text()
- return res_data
- def _get_new_urls(self, page_url, soup):
- new_urls = set()
- links = soup.find_all('a', href=re.compile(r"/jiangnan/"))
- print(links)
- for link in links:
- new_url = link['href']
- new_full_url = urllib.parse.urljoin(page_url, new_url)
- new_urls.add(new_full_url)
- # print(new_full_url)
- return new_urls
html_downloader.py
- 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()
html_outputer.py
- class HtmlOutputer(object):
- def __init__(self):
- self.datas = []
- def collect_data(self, data):
- if data is None:
- return
- self.datas.append(data)
- def output_txt(self):
- fout = open('output.txt', 'w', encoding='utf-8')
- for data in self.datas:
- fout.write('%s \n' % data['title'])
- fout.write('%s \n' % data['summary'])
- def output_html(self):
- fout = open('output.html', 'w', encoding='utf-8')
- 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'])
- fout.write('<td>%s</td>' % data['summary'])
- fout.write('</tr>')
- fout.write('</table>')
- fout.write('</body>')
- fout.write('</html>')
- fout.close()
Python实现爬虫从网络上下载文档的更多相关文章
- Python小爬虫-自动下载三亿文库文档
新手学python,写了一个抓取网页后自动下载文档的脚本,和大家分享. 首先我们打开三亿文库下载栏目的网址,比如专业资料(IT/计算机/互联网)http://3y.uu456.com/bl-197?o ...
- python Cmd实例之网络爬虫应用
python Cmd实例之网络爬虫应用 标签(空格分隔): python Cmd 爬虫 废话少说,直接上代码 # encoding=utf-8 import os import multiproces ...
- 使用Python爬虫库BeautifulSoup遍历文档树并对标签进行操作详解(新手必学)
为大家介绍下Python爬虫库BeautifulSoup遍历文档树并对标签进行操作的详细方法与函数下面就是使用Python爬虫库BeautifulSoup对文档树进行遍历并对标签进行操作的实例,都是最 ...
- 第三百六十二节,Python分布式爬虫打造搜索引擎Scrapy精讲—elasticsearch(搜索引擎)基本的索引和文档CRUD操作、增、删、改、查
第三百六十二节,Python分布式爬虫打造搜索引擎Scrapy精讲—elasticsearch(搜索引擎)基本的索引和文档CRUD操作.增.删.改.查 elasticsearch(搜索引擎)基本的索引 ...
- 四十一 Python分布式爬虫打造搜索引擎Scrapy精讲—elasticsearch(搜索引擎)基本的索引和文档CRUD操作、增、删、改、查
elasticsearch(搜索引擎)基本的索引和文档CRUD操作 也就是基本的索引和文档.增.删.改.查.操作 注意:以下操作都是在kibana里操作的 elasticsearch(搜索引擎)都是基 ...
- Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱(转)
原文:http://www.52nlp.cn/python-网页爬虫-文本处理-科学计算-机器学习-数据挖掘 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开 ...
- Python开发爬虫之理论篇
爬虫简介 爬虫:一段自动抓取互联网信息的程序. 什么意思呢? 互联网是由各种各样的网页组成.每一个网页对应一个URL,而URL的页面上又有很多指向其他页面的URL.这种URL之间相互的指向关系就形成了 ...
- 【Python】Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱
本文转载自:https://www.cnblogs.com/colipso/p/4284510.html 好文 mark http://www.52nlp.cn/python-%E7%BD%91%E9 ...
- 最全数据分析资料汇总(含python、爬虫、数据库、大数据、tableau、统计学等)
一.Python基础 Python简明教程(Python3) Python3.7.4官方中文文档 Python标准库中文版 廖雪峰 Python 3 中文教程 Python 3.3 官方教程中文版 P ...
随机推荐
- vue+rest-framework前后端分离整合(二)
一.基于api前端显示课程详细信息 1.调整Course.vue模块 <template> <div> <h1>课程列表</h1> <div v- ...
- H5新特性-----type=file文件上传
1.语法 单文件上传:<input type="file" id="file1"/> 多文件上传:<input type="file ...
- css 字体样式设置
css字体样式(Font Style),属性 时间:2014-05-08 21:49 来源:我爱学习网 | 作者:我爱学习网 | 本文已影响 68353 人 css字体样式(Font Style) ...
- 保存及读取keras模型参数
转自:http://blog.csdn.net/u010159842/article/details/54407745,感谢分享~ 你可以使用model.save(filepath)将Keras模型和 ...
- java web的安全约束--表单的验证
例子,表单和JDBCRealm的安全验证 参考了一篇文章http://www.cnblogs.com/dyllove98/archive/2013/07/31/3228698.html 1.要在wab ...
- win10与子系统ubuntu之间互访文件
在window10的store里面 搜索ubuntu,下载,可以安装 注意: 初次打开有许多软件都没安装,可以新进行 sudo apt-get update,之后在进行其他的操作 1.下载的子系统ub ...
- 给Sublime text 3增加选中当前单词快捷键
1.录制一份macro caret on a word –> ctrl+left –> ctrl+shift+right 2.将录制好的macro保存为select_current_wor ...
- libxml的使用 编辑节点
libxml读取的基本功能已经介绍过了,现在将介绍libxml编写的基本功能. 编写操作包含节点的添加,删除和修改. 对于添加,我们需要调用xmlNewTextChild函数来添加节点,需要xmlNe ...
- 第二次Surm冲刺
一.小组完成情况: 因为技术原因,小组部分代码还没有完成,现在已经可以实现简单的借书与还书操作. 二.个人情况 我对代码进行了测试,与大家进相关的讨论. 三.总结 这次实验的团队合作真的很重要,有许多 ...
- Bokeh 学习
这段时间由于在做K-means对文本进行处理,需要进行绘图,实验室编程大哥向我介绍了Bokeh来进行绘图,一直是根据自己的需求来进行对其探索,今儿个看到一篇博文,对Bokeh进行了详细的解说,做个笔记 ...