Python简单爬虫

简单爬虫实现,主要用到BeautifulSoup,re,urlparse, urllib2库

项目主要结构如下:
  • crawler_main.py 项目启动程序
  • url_manager.py url管理器
  • html_downloader.py html内容下载器
  • html_parser.py html解析器
  • html_outputer.py html输出器

crawler_main.py(爬虫主程序)

import html_downloader#html内容下载器
import html_parser
import url_manager
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 = 1
        self.urls.add_new_url(root_url)#将开始url添加到url管理中
        while self.urls.has_new_url():#查询url管理器中是否还存在新的url
            try:
                new_url = self.urls.get_new_url()#从url管理器中获取新的url
                print 'craw %d : %s' %(count, new_url)
                html_content = self.downloader.download(new_url)#从下载器中获取网页内容
                new_urls, new_data = self.parser.parser(new_url, html_content)#将网页内容解析成我们想要获取的数据,此处为新的new_urls(链接集合), new_data(字典数据)
                self.urls.add_new_urls(new_urls)#将解析后的new_urls添加到url管理器中
                self.outputer.collect_data(new_data)#将解析后的内容添加到输出器

                if count == 100:
                    break
                count = count + 1
            except BaseException, e:
                print e.message
                print 'craw fail'

        self.outputer.output_html()#最后将内容以网页的内容输出

if __name__=="__main__":
    root_url = "http://baike.baidu.com/item/%E8%9C%98%E8%9B%9B/8135707"
    obj_crawler = SpiderMain()
    obj_crawler.craw(root_url)

url_manager.py(url管理器)

# coding=utf-8
class UrlManager(object):
    '''
    url管理器
    此处采取set(),set中不能添加相同的value
    new_urls 未爬取数据的url集合
    old_urls 已爬取数据的url集合
    '''
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    def add_new_url(self, root_url):
        if root_url is None:
            return
        #添加的url不存在new_urls中且不在old_urls中
        if root_url not in self.new_urls and root_url not in self.old_urls:
            self.new_urls.add(root_url)

    def has_new_url(self):
        return len(self.new_urls) > 0

    def get_new_url(self):
        new_url = self.new_urls.pop()#从新集合中移除并获取一条url
        self.old_urls.add(new_url)
        return new_url

    def add_new_urls(self, new_urls):
        if new_urls is None or len(new_urls) == 0:
            return
        for url in new_urls:
            self.add_new_url(url)

html_downloader.py(html下载管理器)

import urllib2

'''从指定的url中获取网页内容'''
class HtmlDownloader(object):
    def download(self, new_url):
        if new_url is None:
            return None

        response = urllib2.urlopen(new_url)

        if response.getcode() != 200:
            return None

        return response.read()

html_parser.py (html解析器)

# coding=utf-8
import re
from bs4 import BeautifulSoup
import urlparse

class HtmlParser(object):
    def parser(self, new_url, html_content):
        if new_url is None or html_content is None:
            return

        soup = BeautifulSoup(html_content, 'html.parser', from_encoding='utf-8')#初始化网页解析器
        new_urls = self._get_new_urls(new_url, soup)#从内容中提取爬取链接
        new_data = self._get_new_data(new_url, soup)#从内容中提取想要的内容

        return new_urls, new_data

    def _get_new_urls(self, new_url, soup):
        new_urls = set()
        links = soup.find_all('a', href=re.compile(r"/item/"))#通过指定的正则表达式来提取符合条件的<a>标签
        for link in links:
            url = link['href']#获取href标签内容
            new_full_url = urlparse.urljoin(new_url, url)#通过urlparse.urljoin来拼接完整路径的url
            new_urls.add(new_full_url)

        return new_urls

    '''从网页内容中提取想要的内容'''
    def _get_new_data(self, new_url, soup):
        res_data = {}

        res_data['url'] = new_url
        #< dd class ="lemmaWgt-lemmaTitle-title" > < h1 > 网络爬虫 < / h1 >
        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1")#采用class_来过滤,class是关键词
        res_data['title'] = title_node.get_text()#获取提取到标签的内容

        summary_node = soup.find('div', class_="lemma-summary")
        res_data['summary'] = summary_node.get_text()

        return res_data

html_outputer.py (html输出器)

'''此处采用数组来存储抓取到的数据'''
class HtmlOutputer(object):
    def __init__(self):
        self.datas = []

    def collect_data(self, new_data):
        if new_data is None:
            return
        self.datas.append(new_data)

    '''自定义生成网页来展示抓取到的数据'''
    def output_html(self):
        fout = open('output.html', 'w')

        fout.write('<html>')
        fout.write('<head>')
        fout.write("<meta charset='utf-8'>")
        fout.write('</head>')
        fout.write('<body>')
        fout.write('<table border="1">')

        for data in self.datas:
            fout.write('<tr>')
            fout.write("<td width='200px'>%s</td>" % data['url'])
            fout.write("<td width='100px'>%s</td>" % data['title'].encode('utf-8'))#由于存在中文,需要指定编码格式
            fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))
            fout.write('</tr>')

        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')

        fout.close()
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,036评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,046评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,411评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,622评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,661评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,521评论 1 304
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,288评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,200评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,644评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,837评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,953评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,673评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,281评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,889评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,011评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,119评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,901评论 2 355

推荐阅读更多精彩内容