基于python的爬虫---自顶向下的设计思想
2016-04-29 22:23
609 查看
近几年python因其精炼的结构,简单的语法,强大的库支持,科学计算等优势迅速走红!亲自编写一个爬虫应该是检验你所学python基础的一个好工具吧!今天,我把我所学习的知识总结一下,和大家分享!欢迎大家指正。这个爬虫是爬取一些不需要登陆的网站的数据,当需要爬去登陆的网站需要学习cookie,ajax等技术,这里不做介绍给定一个网址url,指定要爬去的内容,分析出其中的url,分析出其中的数据,爬出来的数据保存格式,这是爬虫的基本任务,这里采用自顶向下的设计方式,首先指定要爬去的网址
root_rul="http://*******************"首先你的实例化你的主类,并调用其开始爬去的方法
obj_spider=SpiderMain() obj_spider.crew(root_rul)根据分析,你的爬去顺序是首先将root_rul添加至url管理器中,随后需要从url管理器取得一个待爬去的url,并将此url对应的网页下载出来,随后将此页解析出新的url和文本解析,随后将解析出的url保存至待爬去的url管理器集合中,最后输出解析好的内容。这就是一个简单爬虫的流程根据如上所示我们需要建立几个类,url_manager、html_downloader、html_parser、html_outputer所以主类就可以写为如下所示:
from baike_spider import html_downloader, url_manager, html_parser,\ html_outputer class SpiderMain(object): def __init__(self): self.urls = url_manager.UrlManager() self.downloader = html_downloader.HtmlDownloader() self.parser=html_parser.HtmlPaser() self.outputer=html_outputer.HtmlOutputer() def crew(self, root_rul): count = 1 self.urls.add_new_url(root_rul) while self.urls.has_new_url(): try: new_url=self.urls.get_new_url() html_cont=self.downloader.download(new_url) new_urls , new_data = self.parser.parser(new_url , html_cont) self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) print count if count ==100: break count +=1 except: print 'crew filed' self.outputer.outputhtml()有一个爬去方法随后,我们开始实现上述的几个类及其方法
class UrlManager(object): def add_new_url(self,url): def add_new_urls(self,urls): def has_new_url(self): def get_new_url(self):downloader类
import urllib2 class HtmlDownloader(object): def download(self,url):parser类
from bs4 import BeautifulSoup import re import urlparse class HtmlPaser(object): def parser(self ,page_url , html_cont):outputer类
class HtmlOutputer(object):
def outputhtml(self):
def collect_data(self , data):
这就将这个框架定义好了,接下来我们就需要根据需求编写实际代码了从顶部开始,逐步细化,逐步实现你的需求,这就是你一种设计方式,ur_manager需要这么几个方法:添加url
def add_new_url(self,url):if url is None:returnif url not in self.new_urls and url not in self.old_urls :self.new_urls.add(url)添加解析出来的大量url
def add_new_urls(self,urls):if urls is None or len(urls)==0:returnfor url in urls:self.new_urls.add(url)判断是否有url
def has_new_url(self):return len(self.new_urls) !=0获取一个url
def get_new_url(self):new_url=self.new_urls.pop()if new_url not in self.old_urls:self.old_urls.add(new_url)return new_urldownloader类需要实现将指定的页面下载下来:
def download(self,url):if url is None :return Noneresponse = urllib2.urlopen(url)if response.getcode()!= 200:return Nonereturn response.read()解析器需要解析出url和需要的内容来
def parser(self ,page_url , html_cont):if page_url is None or html_cont is None:returnsoup = BeautifulSoup(html_cont,'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因此定义了两个方法_get_new_url和_get_new_data
def _get_new_urls(self, page_url, soup):new_urls=set()links = soup.find_all('a',href=re.compile('/view/\d+.htm'))for link in links:new_url = link['href']new_full_url = urlparse.urljoin(page_url, new_url)print new_full_urlnew_urls.add(new_full_url)return new_urlsdef _get_new_data(self, page_url, soup):res_data = {}res_data['url']=page_url#<dd class="lemmaWgt-lemmaTitle-title"><h1>Guido van Rossum</h1>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_dataoutputer需要将解析好的数据输出
def outputhtml(self):fout = open('output.html','w')fout.write('<html>')fout.write('<body>')fout.write('<table border="1">')for data in self.datas:fout.write('<tr>')fout.write('<td>%s</td>'%data['url'].encode('utf-8'))fout.write('<td>%s</td>'%data['title'].encode('utf-8'))fout.write('<td>%s</td>'%data['summary'].encode('utf-8'))fout.write('</tr>')fout.write('</table>')fout.write('</body>')fout.write('</html>')fout.close()
相关文章推荐
- python学习5
- windows环境下把Python代码打包成独立执行的exe可执行文件
- python算法基础
- 武sirpython第二讲(1)运算符
- sublime text3里搭建python
- Python生成二维码脚本
- python pachong zhuanzai
- python的异常处理机制
- python基础教程第6章——抽象
- Logistic回归总结
- 为什么python
- ubuntu14.04 Python版本切换
- python分别求个十百千位
- Python 文件读写
- Python爬虫爬下IT之家图片
- python的内置方法
- 『Python』序列学习总结之五 ——列表推导式的一些应用
- Python学习路-常用函数(一)
- Python3学习笔记(urllib模块的使用)
- python日志模块----logging