python简易爬虫

这两天看了一下python的基础语法，跟着网上的教程爬了一下百度百科和python相关联的词条。采用了beautifulsoup4插件

下面是流程

首先是一个url管理器，负责增加/获取/判断是否有url

# coding:UTF8
# 以入口url为参数爬取相关页面
from baike_spider import url_manager, html_downloader, html_parser, html_outputer

class SpiderMain(object):
#构造函数声明url管理器，网页下载器，网页解析器，网页输入器
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):
#记录爬取的网页数
count = 1

#把入口url传入
self.urls.add_new_url(root_url)
#当new_urls里面还有元素时
while self.urls.has_new_url():
try:
#获取一个新的url
new_url = self.urls.get_new_url()
print 'craw %d:%s' % (count, new_url)

#接收网页的内容
html_cont = self.downloader.download(new_url)

#获取新的url 和需要的网页上的内容
new_urls, new_data = self.parser.parse(new_url, html_cont)
self.urls.add_new_urls(new_urls)

#拼接数据字符串
self.outputer.collect_data(new_data)

if count == 1000:
break

count = count + 1

except:
print 'craw failed'

#向output.html写入数据
self.outputer.output_html()

if __name__ == "__main__":
root_url = "http://baike.baidu.com/view/21087.htm"
obj_spider = SpiderMain()
obj_spider.craw(root_url)

spider_main.py
然后是输出结果的截图



另外网页的信息保存到了output.html文件中