最简爬虫详细解读

最新推荐文章于 2023-04-18 01:47:19 发布

meihao5

最新推荐文章于 2023-04-18 01:47:19 发布

阅读量548

点赞数 1

分类专栏：爬虫文章标签：爬虫学习 Python

本文链接：https://blog.youkuaiyun.com/meihao5/article/details/79563902

版权

爬虫专栏收录该内容

1 篇文章

订阅专栏

本文详细介绍了爬虫的四个核心组成部分：网页下载器（如urllib2）、网页解析器（如BeautifulSoup）、URL管理器和爬虫调度器，旨在帮助初学者理解爬虫的基本工作流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一个完整的爬虫需要有以下几个部分组成：

一、网页下载器，既然是爬取网上的，就需要有一个抓取一个个网页的的工具，这就是网页下载器，有很多Python包都提供了相应功能，比如下面实例中的urllib2工具包。

二、网页解析器，当我们爬去下来一个个页面的时候，其实就是一些HTML代码包裹起来一些数据，比如文字，图片等，要想获取这些数据，就需要解析这些网页啦，这就是网页解析器的作用。另外，这也是爬虫最难的一部分，因为需要解析各种不同情况的标签，还要大量用到正则表达式，但是也有一些包比如Beautiful Soup帮助我们简化工作，想进一步学习可以参考：

https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

三、URL管理器，由于我们的爬虫一次需要爬取很多页面，这就需要保存起来已经爬到的页面，以供网页解析器来解读这些页面，也可以防止重复抓取页面和剔除无效的URL链接。

四、爬虫调度器，顾名思义就是管理整个爬虫，使我们的爬虫按流程工作。

#url管理器
# coding:utf8
class UrlManager(object):
    def __init__(self):
        # 初始化待爬取url集合和已爬取url集合
        self.new_urls = set()
        self.old_urls = set()

    # 添加一个新的url到new_urls
    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)

    # 获取一个待爬取的url,并将此url添加到old_urls
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

    # 判断是否还有待爬取的url
    def has_new_url(self):
        return len(self.new_urls) != 0

    # 添加多个url到new_urls
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

#网页下载器
# coding:utf8
import urllib2

class HtmlDownloader(object):
    # 使用urllib2最简单的方法下载url页面内容
    def download(self, url):
        if url is None:
            return None

        resp = urllib2.urlopen(url)
        if resp.getcode() != 200:
            return None
        return resp.read()

#网页解析器
# coding:utf8
import re
import urlparse

from bs4 import BeautifulSoup

class HtmlParser(object):
    # 得到页面相关的url
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /view/123.htm
        links = soup.find_all('a', href=re.compile(r'/view/\d+\.htm'))
        for link in links:
            new_url = link['href']
            # 将/view/123.htm补充完整：http://baike.baidu.com/view/123.htm
            new_full_url = urlparse.urljoin(page_url, new_url)
            # 将解析到的unicode编码的网址转化为utf-8格式
            new_urls.add(new_full_url.encode('utf-8'))

        return new_urls

    # 得到页面标题和简介
    def _get_new_data(self, page_url, soup):
        res_data = {}

        # url
        res_data['url'] = page_url

        # 得到标题节点
        # <dd class="lemmaWgt-lemmaTitle-title"> <h1 >Python</h1>
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        res_data['title'] = title_node.get_text()

        # 得到简介节点
        # <div class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('div', class_='lemma-summary')
        res_data['summary'] = summary_node.get_text()

        return res_data

    # 对下载页面内容进行解析
    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return None

        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

#数据输出器
# coding:utf8
class HtmlOutputer(object):
    def __init__(self):
        self.datas = []

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

    # 将收集到的数据生成一个HTML页面输出
    def output_html(self):
        fout = open('output.html', 'w')

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

        for data in self.datas:
            fout.write('<tr>')
            fout.write('<td>%s</td>' % data['url'].encode('utf-8'))
            fout.write('<td>%s</td>' % data['title'].encode('utf-8'))
            fout.write('<td>%s</td>' % data['summary'].encode('utf-8'))
            fout.write('</tr>')

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

        fout.close()

#爬虫调度器
# coding:utf8

from baike1 import url_manager, html_downloader, html_parser, 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, url):
        count = 1
        self.urls.add_new_url(url)
        while self.urls.has_new_url():
            try:
                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)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
                if count == 100:
                    break
                count += 1
            except:
                print 'craw failed'

        self.outputer.output_html()


if __name__ == "__main__":
    root_url = 'http://baike.baidu.com/view/21087.htm'
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)