python 3爬取100个百度百科词条内容

#utf-8

# 引入各个模块,及创建各个模块的类

from baike_spiderimport url_manage, html_downloader, html_parse,html_outputer

class SpiderMain (object):

# 对各模块各个函数进行初始化

    def __init__(self):

self.urls = url_manage.UrlManage()# 初始化url管理器的类

        self.downloader = html_downloader.HtmlDownLoader()#下载器

        self.parse = html_parse.HtmlParse()#url解析器

        self.outputer = html_outputer.HtmlOutputer()#输出器

    def craw(self, root_url):# 爬虫调度函数

        count =1

        self.urls.add_new_url (root_url)# 将url添加进url管理器中

        while self.urls.has_new_url():

try:

new_url =self.urls.get_new_url()# 添加单个url

                print ("craw 第 %d : %s" % (count, new_url))

html_cont =self.downloader.download(new_url)

new_urls, new_data =self.parse.parse(new_url, html_cont)

self.urls.add_new_urls(new_urls)# 添加批量URL

                print(new_urls)

self.outputer.collect_data(new_data)

if count >=10:

break

                count +=1

            except Exception as e:

print (str (e))#输出发生的错误

            self.outputer.html_output()

if __name__ =="__main__":# 创建main函数

    root_url ="https://baike.baidu.com/item/Python"  # 入口url

    obj_spider = SpiderMain()# 创建调度程序

    obj_spider.craw(root_url)# 创建craw函数,启动爬虫

class UrlManage(object):

def __init__(self):#对原始变量进行初始化

        self.new_urls =set()

self.old_urls =set()

def add_new_url(self,url):#获取新的url

        if urlis None:

return

        if urlnot in self.new_urlsand urlnot in self.old_urls:

self.new_urls.add(url)

def add_new_urls(self,urls):#批量增加新的urls

        if urlsis None or len(urls) ==0:#判断urls是否有url

            return

        for urlin urls:

self.add_new_url(url)

def has_new_url(self):#判断是否有新的url

        return len(self.new_urls) !=0

    def get_new_url(self):#获取新的url

        new_url =self.new_urls.pop()#对新的url进行删除

        self.old_urls.add(new_url)#将已经爬取过的url增加至旧的urL中

        return new_url#返回新的url


import urllib.request

class HtmlDownLoader(object):

def download(self,url):

if urlis None:

return None

        response = urllib.request.urlopen(url)

if response.getcode() !=200:

return None

        return response.read()


import urllib.parse#python3parse存在与urllib 库中

import re

from bs4import BeautifulSoup

class HtmlParse(object):

def _get_new_urls(self,page_url,soup):

# view/123.html

        new_urls =set()

links = soup.find_all("a",href = re.compile(r"/item/"))

for linkin links:

new_url = link["href"]

new_full_url = urllib.parse.urljoin(page_url,new_url)

new_urls.add(new_full_url)

return new_urls

def _get_new_data(self,page_url,soup):

res_data = {}

res_data["url"] = page_url

#

Python

        title_node = soup.find("dd",class_ ="lemmaWgt-lemmaTitle-title").find("h1")

res_data["title"] = title_node.get_text()

#

        summary_node = soup.find('div',class_ ="lemma-summary")

if summary_nodeis None:

return

        res_data["summary"] = summary_node.get_text()

return res_data

def parse(self,page_url,html_cont):

if page_urlis None or html_contis None:

return

        soup = 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

class HtmlOutputer(object):

def __init__(self):

self.datas  = []

def collect_data(self,data):

if datais None:

return

        self.datas.append(data)

def html_output(self):

export =open("output.html","w",encoding="utf-8")

export.write("<html>")

export.write ("<body>")

export.write("<table>")

for data in self.datas:

export.write ("<tr>")

export.write ("<td>%s/<td>"%data["url"])

export.write ("<td>%s/<td>" % data["title"])

export.write ("<td>%s/<td>" % data["summary"])

export.write ("</tr>")

export.write ("</table>")

export.write ("</body>")

export.write ("</html>")

©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 218,525评论 6 507
  • 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 93,203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 164,862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 58,728评论 1 294
  • 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 67,743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 51,590评论 1 305
  • 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 40,330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 39,244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 45,693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 37,885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 40,001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 35,723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 41,343评论 3 330
  • 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 31,919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 33,042评论 1 270
  • 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 48,191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 44,955评论 2 355

推荐阅读更多精彩内容