标签：自定义 python self 爬虫 write url urls fh new

爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。爬虫从一个或若干初始网页的URL开始，获得初始网页上的 URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。爬虫的工作流程较为复杂，需要根据一定的网页分析算 法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上 述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。常见的爬 虫框架有Scrapy等。

　　自定义爬虫程序一般包含：URL管理器、网页下载器、网页解析器、输出处理器。

　　以下我写了一个爬取百度百科词条的实例。

爬虫主程序入口

from crawler_test.html_downloader import UrlDownLoader
from crawler_test.html_outer import HtmlOuter
from crawler_test.html_parser import HtmlParser
from crawler_test.url_manager import UrlManager

# 爬虫主程序入口
class MainCrawler():
    def __init__(self):
        # 初始值，实例化四大处理器：url管理器，下载器，解析器，输出器
        self.urls = UrlManager()
        self.downloader = UrlDownLoader()
        self.parser = HtmlParser()
        self.outer = HtmlOuter()

    # 开始爬虫方法
    def start_craw(self, main_url):
        print('爬虫开始...')
        count = 1
        self.urls.add_new_url(main_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print('爬虫%d,%s' % (count, new_url))
                html_cont = self.downloader.down_load(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cont)

                # 将解析出的url放入url管理器，解析出的数据放入输出器中
                self.urls.add_new_urls(new_urls)
                self.outer.conllect_data(new_data)

                if count >= 10:　　# 控制爬取的数量
                    break
                count += 1
            except:
                print('爬虫失败一条')

        self.outer.output()
        print('爬虫结束。')


if __name__ == '__main__':
    main_url = 'https://baike.baidu.com/item/Python/407313'
    mc = MainCrawler()
    mc.start_craw(main_url)

URL管理器

# URL管理器
class UrlManager():
    def __init__(self):
        self.new_urls = set()  # 待爬取
        self.old_urls = set()  # 已爬取

    # 添加一个新的url
    def add_new_url(self, url):
        if url is None:
            return
        elif url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    # 批量添加url
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        else:
            for url in urls:
                self.add_new_url(url)

    # 判断是否有url
    def has_new_url(self):
        return len(self.new_urls) != 0

    # 从待爬取的集合中获取一个url
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

网页下载器

from urllib import request

# 网页下载器
class UrlDownLoader():
    def down_load(self, url):
        if url is None:
            return None
        else:            
            with request.urlopen(url) as rp:                 # 发请求，打开网页
                if rp.status != 200:
                    return None
                else:
                    return rp.read()                        # 读取网页内容

网页解析器

import re
from urllib import request
from bs4 import BeautifulSoup

# 网页解析器，使用BeautifulSoup
class HtmlParser():

    # 每个词条中，可以有多个超链接
    # main_url指url公共部分，如“https://baike.baidu.com/”
    def _get_new_url(self, main_url, soup):
        # baike.baidu.com/
        # <a target="_blank" href="/item/%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E8%AF%AD%E8%A8%80">计算机程序设计语言</a>
        new_urls = set()

        # 解析出main_url之后的url部分
        child_urls = soup.find_all('a', href=re.compile(r'/item/(\%\w{2})+'))
        for child_url in child_urls:
            new_url = child_url['href']

            # 再拼接成完整的url
            full_url = request.urljoin(main_url, new_url)
            new_urls.add(full_url)
        return new_urls

    # 每个词条中，只有一个描述内容，解析出数据（词条，内容）
    def _get_new_data(self, main_url, soup):
        new_datas = {}
        new_datas['url'] = main_url
        # <dd class="lemmaWgt-lemmaTitle-title"><h1>计算机程序设计语言</h1>...
        new_datas['title'] = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1').get_text()
        # class="lemma-summary" label-module="lemmaSummary"...
        new_datas['content'] = soup.find('div', attrs={'label-module': 'lemmaSummary'},
                                         class_='lemma-summary').get_text()
        return new_datas

    # 解析出url和数据（词条，内容）
    def parse(self, main_url, html_cont):
        if main_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont, 'lxml', from_encoding='utf-8')
        new_url = self._get_new_url(main_url, soup)
        new_data = self._get_new_data(main_url, soup)
        return new_url, new_data

输出处理器

# 输出器
class HtmlOuter():
    def __init__(self):
        self.datas = []

    # 先收集数据
    def conllect_data(self, data):
        if data is None:
            return
        self.datas.append(data)
        return self.datas

    # 输出为HTML
    def output(self, file='output_html.html'):
        with open(file, 'w', encoding='utf-8') as fh:
            fh.write('<html>')
            fh.write('<head>')
            fh.write('<meta charset="utf-8"></meta>')
            fh.write('<title>爬虫数据结果</title>')
            fh.write('</head>')
            fh.write('<body>')

            fh.write(
                '<table style="border-collapse:collapse; border:1px solid gray; width:80%; word-wrap:break-word; margin:20px auto;">')
            fh.write('<tr>')
            fh.write('<th style="border:1px solid black; width:35%;">URL</th>')
            fh.write('<th style="border:1px solid black; width:15%;">词条</th>')
            fh.write('<th style="border:1px solid black; width:50%;">内容</th>')
            fh.write('</tr>')
            for data in self.datas:
                fh.write('<tr>')
                fh.write('<td style="border:1px solid black">{0}</td>'.format(data['url']))
                fh.write('<td style="border:1px solid black">{0}</td>'.format(data['title']))
                fh.write('<td style="border:1px solid black">{0}</td>'.format(data['content']))
                fh.write('</tr>')
            fh.write('</table>')

            fh.write('</body>')
            fh.write('</html>')

效果（部分）：　　

标签：自定义,python,self,爬虫,write,url,urls,fh,new
来源： https://www.cnblogs.com/ShankedFlur/p/13610888.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。