python网络小爬虫的编写

经过几天的自学python后，对python也算有了一定的了解，

然后对着网上的学习教程跟着编写了一个能爬百度百科的爬虫程序，从听不太懂到听懂写出来也花费了时间和努力，这里把我写的代码贴出来，希望能对大家有所帮助

笔者是用python3的环境写的，与教程里面的python2环境的代码有点区别，

已经亲自测试可行

首先用python3的IDLE新建所需要的文件，分别是main()函数调度端，url管理器，网页下载器，网页分析器，数据输出器这几个模块文件：

下面贴出代码：

spider_main模块：

import url_manager

import html_downloader

import html_parser

import 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 = 0

        self.urls.add_new_url(root_url)

        while self.urls.has_new_url():

            try:

                if count == 5:

                    break

                count = count + 1

                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)

                #print(new_data)

                self.urls.add_new_urls(new_urls)

                self.outputer.collect_data(new_data)

                

                #print (count)              

            except:

                print("craw failed")

        self.outputer.output_html()

if __name__=="__main__":

    root_url = "https://baike.baidu.com/item/Python/407313?fr=aladdin"

    obj_spider = SpiderMain()

    obj_spider.craw(root_url)

由于模块太长，剩下的模块程序上传到我的资源里面