Python进阶篇：Python简单爬虫

前一段一直在打基础，已经学习了变量，流程控制，循环，函数这几块的知识点，就想通过写写小程序来实践一下，来加深知识点的记忆和理解。首先考虑的就是爬虫啦，一直很崇拜爬虫大师，特别想能够学习一些爬虫技术，去淘宝上爬爬数据，说不定什么时候可以使用数据进行一些分析，比如哪天自己也开了个小店啥的~~。为了能够开始起步，我看了一些视频，查阅了一些资料，起步阶段就不用那些很牛逼的框架了，主要是想通过基本的爬虫来了解爬虫的基本概念和思路。

要解决的问题

查阅百度百科的某个关键词以及相关联的关键词的集合。这是一个比较有意义的事情，通过这样的数据能更好的理解相关的生态圈。比如我查阅“分布式计算” http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448 文章里面含有很多的有链接的关键词，就这样不断的迭代去爬这些链接的关键词的文章内的关键词。

设计方案

爬虫含有5个组成部分：主程序，URL管理器，HTML下载器，HTML解析器，结果展示器

主程序：调度其他的部件的执行，并作为主程序入口来执行代码

URL管理器：管理URL的集合以及状态 - 未下载的URL，已下载的URL，添加新的URL，去除已现在的URL

HTML下载器：下载URL对应的HTML

HTML解析器：解析下载下来的HTML，取出有用的数据

结果展示器：组织最终生成的数据，并展示或者存储起来

代码说明

代码组织架构

代码展示

部件名称	程序名称	代码
主程序	SpiderMain.py	from Spider import UrlManager,HtmlDownloader,HtmlParser,HtmlOutputer class Spider(object): def __init__(self): self.urlmanager = UrlManager.Manager() self.htmldownloader = HtmlDownloader.Downloader() self.htmlparser = HtmlParser.Parser() self.htmloutputer = HtmlOutputer.Outputer() def scrpy(self, root_url): self.urlmanager.add_new_urls(root_url) count = 1 while(self.urlmanager.has_new_url()): if(count>10): break curr_url = self.urlmanager.get_new_url() html_content = self.htmldownloader.load(curr_url) print("No.%d Downloading URL %s" % (count, curr_url)) word,new_urls,lemmasummary = self.htmlparser.parse(curr_url,html_content) data={} data['word']=word data['curr_url']=curr_url data['lemmasummary']=lemmasummary self.htmloutputer.collect(data) self.urlmanager.add_new_urls(new_urls) count = count + 1 self.htmloutputer.genhtml() if(__name__=='__main__'): root_url = "http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448" spider = Spider() spider.scrpy({root_url})
URL管理器	UrlManager.py	class Manager(object): def __init__(self): self.old_urls=set() self.new_urls=set() def add_new_urls(self, root_url): for url in root_url: if(root_url not in self.old_urls and root_url not in self.new_urls): self.new_urls.add(url) def has_new_url(self): if(len(self.new_urls) > 0): return True else: return False def get_new_url(self): tmp=self.new_urls.pop() self.old_urls.add(tmp) return tmp
HTML下载器	HtmlDownloader.py	import urllib.request class Downloader(object): def load(self, curr_url): html = urllib.request.urlopen(curr_url) return html.read().decode("UTF-8",'ignore')
HTML解析器	HtmlParser.py	import re from urllib.parse import urljoin from bs4 import BeautifulSoup class Parser(object): def __init__(self): self.title = '' self.urls = set() self.lemmasummary = '' def parse(self, curr_url, html_content): soup = BeautifulSoup(html_content, 'html.parser',from_encoding="utf-8") soupurls=soup.find_all('a',href=re.compile(r'/view')) for url in soupurls: self.urls.add(urljoin(curr_url,url['href'])) self.title = soup.title.string.split("_")[0] self.lemmasummary = soup.find('div',class_='lemma-summary') return self.title,self.urls,self.lemmasummary
结果展示器	HtmlOutputer.py	class Outputer(object): def __init__(self): self.table = [] def collect(self, data): self.table.append(data) def genhtml(self): html = open('result.html','w') html.write("<html>") html.write("<head>") html.write("</head>") html.write("<body>") html.write("<table>") for data in self.table: html.write("<tr>") html.write("<td>%s</td>" % data['word']) html.write("<td>%s</td>" % data['curr_url']) html.write("<td>%s</td>" % data['lemmasummary']) html.write("</tr>") html.write("</table>") html.write("</body>") html.write("</html>") html.close()

最终的结果

小结

在上面的爬虫代码里面，主要体现了爬虫的几个部件之间的配合，以及每个部件的所引用的模块，比如urllib,bs4,re