对于入行已久的老程序员也并不一定精通爬虫代码，这些需要时间的沉淀还需要更多的实战案例，简单的问句你真的会写爬虫么？下面就是我日常写的一个y文件加上几个请求并且把需要的功能全部实现模块化，可以让我们爬虫更方便让更加快捷。

基础爬虫的架构以及运行流程    

首先，给大家来讲讲基础爬虫的架构到底是啥样子的？我给大家画了张粗糙的图：

从图上可以看到，整个基础爬虫架构分为5大类：爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。

下面给大家依次来介绍一下这5个大类的功能：

爬虫调度器，主要是配合调用其他四个模块，所谓调度就是取调用其他的模板。

URL管理器，就是负责管理URL链接的，URL链接分为已经爬取的和未爬取的，这就需要URL管理器来管理它们，同时它也为获取新URL链接提供接口。

HTML下载器，就是将要爬取的页面的HTML下载下来。

HTML解析器，就是将要爬取的数据从HTML源码中获取出来，同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。

数据存储器，就是将HTML下载器发送过来的数据存储到本地。

实战爬取代码

差不多就介绍这么些东西，相信大家对整体的架构有了初步的认识，下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息：

我们来获取上面列表中的信息，这里我就省略了分析网站的一步，如果大家不会分析，可以去看我之前写的爬虫项目。

首先，我们来写一下URL管理器（URLManage.py）

class URLManager(object):

def __init__(self):

self.new_urls = set()

self.old_urls = set()

def has_new_url(self):

# 判断是否有未爬取的url

return self.new_url_size()!=0

def get_new_url(self):

# 获取一个未爬取的链接

new_url = self.new_urls.pop()

# 提取之后，将其添加到已爬取的链接中

self.old_urls.add(new_url)

return new_url

def add_new_url(self, url):

# 将新链接添加到未爬取的集合中(单个链接)

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):

# 将新链接添加到未爬取的集合中(集合)

if urls is None or len(urls)==0:

return

for url in urls:

self.add_new_url(url)

def new_url_size(self):

# 获取未爬取的url大小

return len(self.new_urls)

def old_url_size(self):

# 获取已爬取的url大小

return len(self.old_urls)

在这里主要就是两个集合，一个是已爬取URL的集合，另一个是未爬取URL的集合。这里我使用的是set类型，因为set自带去重的功能。

接下来，HTML下载器（HTMLDownload.py）

import requests

class HTMLDownload(object):

def download(self, url):

if url is None:

return

s = requests.Session()

s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'

res = s.get(url)

# 判断是否正常获取

if res.status_code == 200:

res.encoding='utf-8'

res = res.text

return res

return None

可以看到这里我们只是简单的获取了，url中的html源码。

接着看HTML解析器（HTMLParser.py）

import re

from bs4 import BeautifulSoup

class HTMLParser(object):

def parser(self, page_url, html_cont):

'''

用于解析网页内容，抽取URL和数据

:param page_url: 下载页面的URL

:param html_cont: 下载的网页内容

:return: 返回URL和数据

'''

if page_url is None or html_cont is None:

return

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

new_urls = self._get_new_urls(page_url, soup)

new_data = self._get_new_data(page_url, soup)

return new_urls, new_data

def _get_new_urls(self,page_url,soup):

'''

抽取新的URL集合

:param page_url:下载页面的URL

:param soup: soup数据

:return: 返回新的URL集合

'''

new_urls = set()

for link in range(1,100):

# 添加新的url

new_url = "http://www.runoob.com/w3cnote/page/"+str(link)

new_urls.add(new_url)

print(new_urls)

return new_urls

def _get_new_data(self,page_url,soup):

'''

抽取有效数据

:param page_url:下载页面的url

:param soup:

:return: 返回有效数据

'''

data={}

data['url'] = page_url

title = soup.find('div', class_='post-intro').find('h2')

print(title)

data['title'] = title.get_text()

summary = soup.find('div', class_='post-intro').find('p')

data['summary'] = summary.get_text()

return data

在这里，我们将HTML下载器的源码进行了分析和解析，从而得到了我们想要拿到的数据，如果BeautifulSoup不懂的可以去看一下我之前写的文章。

继续看，数据存储器（DataOutput.py）

import codecs

class DataOutput(object):

def __init__(self):

self.datas = []

def store_data(self,data):

if data is None:

return

self.datas.append(data)

def output_html(self):

fout = codecs.open('baike.html', 'a', encoding='utf-8')

fout.write("<html>")

fout.write("<head><meta charset='utf-8'/></head>")

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>")

self.datas.remove(data)

fout.write("</table>")

fout.write("</body>")

fout.write("</html>

大家可能发现我这里是将数据存储到一个html的文件当中，在这里你当然也可以存在Mysql或者csv等文件当中，这个看自己的选择，我这里只是为了演示所以就放在了html当中。

最后一个，爬虫调度器（SpiderMan.py）

from base.DataOutput import DataOutput

from base.HTMLParser import HTMLParser

from base.HTMLDownload import HTMLDownload

from base.URLManager import URLManager

class SpiderMan(object):

def __init__(self):

self.manager = URLManager()

self.downloader = HTMLDownload()

self.parser = HTMLParser()

self.output = DataOutput()

def crawl(self, root_url):

# 添加入口URL

self.manager.add_new_url(root_url)

# 判断url管理器中是否有新的url，同时判断抓取多少个url

while(self.manager.has_new_url() and self.manager.old_url_size()<100):

try:

# 从URL管理器获取新的URL

new_url = self.manager.get_new_url()

print(new_url)

# HTML下载器下载网页

html = self.downloader.download(new_url)

# HTML解析器抽取网页数据

new_urls, data = self.parser.parser(new_url, html)

print(new_urls)

# 将抽取的url添加到URL管理器中

self.manager.add_new_urls(new_urls)

# 数据存储器存储文件

self.output.store_data(data)

print("已经抓取%s个链接" % self.manager.old_url_size())

except Exception as e:

print("failed")

print(e)

# 数据存储器将文件输出成指定的格式

self.output.output_html()

if __name__ == '__main__':

spider_man = SpiderMan()

spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

相信这里大家都能看懂，我就是将前面我们写的四个模板在这里把它们调用了一下，我们运行后的结果：

总结  

​我们这里简单的讲解了一下，爬虫架构的五个模板，无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板，希望大家能够照着这些代码写一遍，这样有利于大家的理解，大家以后写爬虫项目也要按照这种架构去写，这样你的爬虫看起来就会更加的规范、健全。

Python 爬虫代码应该怎么写？的更多相关文章

  1. python爬虫代码

    原创python爬虫代码 主要用到urllib2.BeautifulSoup模块 #encoding=utf-8 import re import requests import urllib2 im ...

  2. Python爬虫入门教程 61-100 写个爬虫碰到反爬了，动手破坏它！

    python3爬虫遇到了反爬 当你兴冲冲的打开一个网页,发现里面的资源好棒,能批量下载就好了,然后感谢写个爬虫down一下,结果,一顿操作之后,发现网站竟然有反爬措施,尴尬了. 接下来的几篇文章,我们 ...

  3. 动态调整线程数的python爬虫代码分享

    这几天在忙一个爬虫程序,一直在改进他,从一开始的单线程,好几秒一张图片(网络不好),,,到现在每秒钟十几张图片,,, 四个小时586万条数据,,,简直不要太爽 先上图 最终写出来的程序,线程数已经可以 ...

  4. 我不就是吃点肉，应该没事吧——爬取一座城市里的烤肉店数据（附完整Python爬虫代码）

    写在前面的一点屁话: 对于肉食主义者,吃肉简直幸福感爆棚!特别是烤肉,看着一块块肉慢慢变熟,听着烤盘上"滋滋"的声响,这种期待感是任何其他食物都无法带来的.如果说甜点是" ...

  5. python爬虫学习(11) —— 也写个AC自动机

    0. 写在前面 本文记录了一个AC自动机的诞生! 之前看过有人用C++写过AC自动机,也有用C#写的,还有一个用nodejs写的.. C# 逆袭--自制日刷千题的AC自动机攻克HDU OJ HDU 自 ...

  6. 爬取汽车之家新闻图片的python爬虫代码

    import requestsfrom bs4 import BeautifulSouprespone=requests.get('https://www.autohome.com.cn/news/' ...

  7. 【图文详解】python爬虫实战——5分钟做个图片自动下载器

    python爬虫实战——图片自动下载器 之前介绍了那么多基本知识[Python爬虫]入门知识,(没看的先去看!!)大家也估计手痒了.想要实际做个小东西来看看,毕竟: talk is cheap sho ...

  8. 如何用Python爬虫实现百度图片自动下载？

    Github:https://github.com/nnngu/LearningNotes 制作爬虫的步骤 制作一个爬虫一般分以下几个步骤: 分析需求 分析网页源代码,配合开发者工具 编写正则表达式或 ...

  9. Python 爬虫入门(二)——爬取妹子图

    Python 爬虫入门 听说你写代码没动力?本文就给你动力,爬取妹子图.如果这也没动力那就没救了. GitHub 地址: https://github.com/injetlee/Python/blob ...

  10. python爬虫实战——5分钟做个图片自动下载器

      python爬虫实战——图片自动下载器 制作爬虫的基本步骤 顺便通过这个小例子,可以掌握一些有关制作爬虫的基本的步骤. 一般来说,制作一个爬虫需要分以下几个步骤: 分析需求(对,需求分析非常重要, ...

随机推荐

  1. C#判断窗体是否打开,并获取聚焦、未打开则新建一个子窗体

    在桌面程序开发会遇到的情况,托盘功能或者是小功能弹窗问题: 现有一个主窗体有子窗体 子窗体每个都可以新建其他窗体问题:新建子窗体时怎么判断子窗体是否打开?若子窗体打开则置顶获取焦点.若未打开则新建一个 ...

  2. Bat命令进行压缩X文件夹下的文件夹及文件

    输出日志 echo off for /d %%i in (D:\project101\trunk\x_client\xProject\Assets\AssetBundles\Android~\*.) ...

  3. sqoop mysql2hive

    a./etc/profile添加export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HIVE_HOME/lib/*b.将hive-site.xml 拷贝到 $SQOO ...

  4. ls access.log.?.gz

    因为日志文件每天都会打包, 所以昨天的问题可能就在今天的access.log/error.log文件里找不到了.如何找出个位数的log文件呢? 这里就有两种不同的匹配符号, *匹配多个, ?匹配一个, ...

  5. Visual Studio 2022(VS2022) 产品密钥

    Visual Studio 2022(VS2022) 激活码: Pro: TD244-P4NB7-YQ6XK-Y8MMM-YWV2JEnterprise: VHF9H-NXBBB-638P6-6JHC ...

  6. 吴恩达老师机器学习课程chapter11——大规模机器学习

    吴恩达老师机器学习课程chapter11--大规模机器学习 本文是非计算机专业新手的自学笔记,高手勿喷. 本文仅作速查备忘之用,对应吴恩达(AndrewNg)老师的机器学期课程第十七章. 这是这次整理 ...

  7. 为什么gdb通过0地址显示偏移会提示地址错误

    现象 在gdb中,如果想看一个struct的某个field的偏移量,和C语言一样可以通过对一个0地址变量取地址,然后取成员的偏移量获得.更神奇的地方在于和C语言一样,这里也不会触发内存访问异常. 另外 ...

  8. TCC事务解决方案

    适用场景: 适用于具有强隔离性,严格一致性要求,也适用执行时间比较短的业务. 方案优缺点 优点: 1)在应用层实现具体逻辑,锁定资源的粒度小,不会锁定所有资源,性能比较高 2)Confirm阶段和Ca ...

  9. HELM的使用

    一.helm的主要功能 1.创建新的chart 2.chart打包成tgz格式 3.上传chart到chart仓库或从仓库中下载chart 4.在kubernetes集群中安装或卸载chart 5.管 ...

  10. java第五周学习情况

    这个星期主要是在读<大道至简>这本书,话说这本书确实还行啊.看完之后懂得了很多东西,前天写了一篇读后感,把自己的感想记了下来,以后有机会可以再看一遍.然后就是一些Java的相关知识了.也没 ...