爬虫学习2

1.目标

利用爬虫学习1的大概框架
爬取嗅事百科的段子

2.实现方法流程大概流程

流程

2.1 url_manager

class UrlManager(object):
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    def add_new_url(self,url):
        if url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    def get_new_url(self):
        new_url = self.new_urls.pop()#get the url from the url list and delete it
        self.old_urls.add(new_url)
        return new_url
    
    def has_new_url(self):
        return (len(self.new_urls) != 0)

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

2.2 parser

from bs4 import BeautifulSoup#利用了bs4
import urllib
import re#没用用正则表达
class Pars_er(object):    


    def _get_page_datas(self,soup):
        page_datas = []
        contents = soup.find_all('div',class_='content')
       #所有段子均在div class=content的div中find_all返回的是list[ ]
        #print('hello')
        for content in contents:
            #print(content.get_text())
            page_datas.append(content.get_text())
       return page_datas
       #返回的也是一个列表,列表中的是内容str类型的

    def parse(self,do_content):
        if page_url is None or do_content is None:
            return
        #print('parsering')
        soup = BeautifulSoup(do_content,'html.parser',from_encoding='utf-8')
            #        new_urls = self._get_new_urls(page_url,soup)
        new_data = self._get_page_datas(soup)
        return new_data

2.3 downloader

import urllib.request
import urllib
class DownLoader(object):

 def download(self,url):
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        headers = {'User-agent':user_agent}
 
        request = urllib.request.Request(url,headers=headers)
        html = urllib.request.urlopen(request)
        return html.read()

这里的downloader应用了代理这个是python3x的典型写法与python2不同;

2.4 xiubai_spider

import downloader, par,outputer,url_manager
#from parser import Pars_er
#from outputer import OutPuter
#from url_manager import UrlManager
class SpiderMain(object):


    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = downloader.DownLoader()
        self.parse = par.Pars_er()
        self.outpute = outputer.OutPuter()



    def crawl(self,root_url):
        count = 1
        self.urls.add_new_url(root_url)
        new_url = self.urls.get_new_url()
        number = input('the page you want to crawl? ')
        if int(number) == 1:
            downloaded_content =self.downloader.download(new_url)
            new_datas = self.parse.parse(downloaded_content)
            print(len(new_datas))
            for new_data in new_datas:
                self.outpute.output_info(new_data,count)
                #count += 1
        else:
            while(count <= int(number)):
                phase = 0
                downloaded_content =self.downloader.download(new_url)
                new_datas = self.parse.parse(downloaded_content)
                print(len(new_datas))
                for new_data in new_datas:
                    phase += 1
                    self.outpute.output_info(new_data,count,phase)
                count += 1
                new_url = "http://www.qiushibaike.com/8hr/page/"+str(count)+"/?s=4974494" 


if __name__ ==  "__main__":
    root_url = "http://www.qiushibaike.com/"
    obj_spider = SpiderMain()
    obj_spider.crawl(root_url)

观察到第一页不同之外,之后的url有明显的规律
"http://www.qiushibaike.com/8hr/page/"+str(count)+"/?s=4974494"
其中str(count)为大于1的页数得到就是url

2.5 outputer

class OutPuter(object):
    def output_info(self,datas,num,duanzi):
        file_name = 'xiubai.txt'
        with open(file_name,'a',encoding = 'utf-8') as file_object:
            file_object.write(str(num).strip()+'.'+str(duanzi)+datas+'\n')

这里有一个问题就是需要你先建好一个以utf-8编码的txt文件(windows下)

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 214,444评论 6 496
  • 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 91,421评论 3 389
  • 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 160,036评论 0 349
  • 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 57,363评论 1 288
  • 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 66,460评论 6 386
  • 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 50,502评论 1 292
  • 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 39,511评论 3 412
  • 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 38,280评论 0 270
  • 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 44,736评论 1 307
  • 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 37,014评论 2 328
  • 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 39,190评论 1 342
  • 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 34,848评论 5 338
  • 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 40,531评论 3 322
  • 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 31,159评论 0 21
  • 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 32,411评论 1 268
  • 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 47,067评论 2 365
  • 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 44,078评论 2 352

推荐阅读更多精彩内容