Python 网络爬虫入门详解

最新推荐文章于 2025-04-19 10:26:45 发布

原创最新推荐文章于 2025-04-19 10:26:45 发布 · 294 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#Python 网络爬虫入门详解

Python 网络爬虫入门详解专栏收录该内容

1 篇文章

订阅专栏

本文介绍了网络爬虫，它是按规则在网络上爬取内容的脚本程序。阐述了网络爬虫的组成结构，包括调度程序、URL管理器等。还详细说明了编写网络爬虫的步骤，如准备BeautifulSoup库，编写各组件代码等，最后提醒要根据网页变化修改代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

什么是网络爬虫

网络爬虫又称网络蜘蛛，是指按照某种规则在网络上爬取所需内容的脚本程序。众所周知，每个网页通常包含其他网页的入口，网络爬虫则通过一个网址依次进入其他网址获取所需内容。

优先申明：我们使用的python编译环境为PyCharm

一、首先一个网络爬虫的组成结构：

爬虫调度程序（程序的入口，用于启动整个程序）
url管理器（用于管理未爬取得url及已经爬取过的url）
网页下载器（用于下载网页内容用于分析）
网页解析器（用于解析下载的网页，获取新的url和所需内容）
网页输出器（用于把获取到的内容以文件的形式输出）

二、编写网络爬虫

（1）准备所需库

我们需要准备一款名为BeautifulSoup（网页解析）的开源库，用于对下载的网页进行解析，我们是用的是PyCharm编译环境所以可以直接下载该开源库。

步骤如下：

选择File->Settings

打开Project:PythonProject下的Project interpreter

点击加号添加新的库

输入bs4选择bs4点击Install Packge进行下载

（2）编写爬虫调度程序

这里的bike_spider是项目名称引入的四个类分别对应下面的四段代码url管理器，url下载器，url解析器，url输出器。


 
   
    
   
   
    
     # 爬虫调度程序
    
   

   
    
   
   
    
     from bike_spider 
     import url_manager, html_downloader, html_parser, html_outputer
    
   

   
    
   
   
     
    
   

   
    
   
   
     
    
   

   
    
   
   
    
     # 爬虫初始化
    
   

   
    
   
   
    
     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, my_root_url):
    
   

   
    
   
   
    
             count = 
     1
    
   

   
    
   
   
    
             self.urls.add_new_url(my_root_url)
    
   

   
    
   
   
            
     while self.urls.has_new_url():
    
   

   
    
   
   
                
     try:
    
   

   
    
   
   
    
                     new_url = self.urls.get_new_url()
    
   

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

   
    
   
   
                    
     # 下载网页
    
   

   
    
   
   
    
                     html_cont = self.downloader.download(new_url)
    
   

   
    
   
   
                    
     # 解析网页
    
   

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

   
    
   
   
    
                     self.urls.add_new_urls(new_urls)
    
   

   
    
   
   
                    
     # 网页输出器收集数据
    
   

   
    
   
   
    
                     self.outputer.collect_data(new_data)
    
   

   
    
   
   
                    
     if count == 
     10:
    
   

   
    
   
   
                        
     break
    
   

   
    
   
   
    
                     count += 
     1
    
   

   
    
   
   
                
     except:
    
   

   
    
   
   
    
                     print(
     "craw failed")
    
   

   
    
   
   
     
    
   

   
    
   
   
    
             self.outputer.output_html()
    
   

   
    
   
   
     
    
   

   
    
   
   
     
    
   

   
    
   
   
    
     if __name__ == 
     "__main__":
    
   

   
    
   
   
    
         root_url = 
     "http://baike.baidu.com/item/Python/407313"
    
   

   
    
   
   
    
         obj_spider = SpiderMain()
    
   

   
    
   
   
    
         obj_spider.craw(root_url)

(3)编写url管理器

我们把已经爬取过的url和未爬取的url分开存放以便我们不会重复爬取某些已经爬取过的网页。


 
   
    
   
   
    
     # url管理器
    
   

   
    
   
   
    
     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 add_new_urls(self, urls):
    
   

   
    
   
   
            
     if urls 
     is 
     None 
     or len(urls) == 
     0:
    
   

   
    
   
   
                
     return
    
   

   
    
   
   
            
     for url 
     in urls:
    
   

   
    
   
   
    
                 self.new_urls.add(url)
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def get_new_url(self):
    
   

   
    
   
   
            
     # pop方法会帮我们获取一个url并且移除它
    
   

   
    
   
   
    
             new_url = self.new_urls.pop()
    
   

   
    
   
   
    
             self.old_urls.add(new_url)
    
   

   
    
   
   
            
     return new_url
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def has_new_url(self):
    
   

   
    
   
   
            
     return len(self.new_urls) != 
     0

（4）编写网页下载器

通过网络请求来下载页面


 
   
    
   
   
    
     # 网页下载器
    
   

   
    
   
   
    
     import urllib.request
    
   

   
    
   
   
     
    
   

   
    
   
   
     
    
   

   
    
   
   
    
     class HtmlDownloader(object):
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def download(self, url):
    
   

   
    
   
   
            
     if url 
     is 
     None:
    
   

   
    
   
   
                
     return 
     None
    
   

   
    
   
   
    
             response = urllib.request.urlopen(url)
    
   

   
    
   
   
            
     # code不为200则请求失败
    
   

   
    
   
   
            
     if response.getcode() != 
     200:
    
   

   
    
   
   
                
     return 
     None
    
   

   
    
   
   
            
     return response.read()

（5）编写网页解析器

对网页进行解析时我们需要知道我们要查询的内容都有哪些特征，我们可以打开一个网页点击右键审查元素来了解我们所查内容的共同之处。


 
   
    
   
   
    
     # 网页解析器
    
   

   
    
   
   
    
     import re
    
   

   
    
   
   
    
     from bs4 
     import BeautifulSoup
    
   

   
    
   
   
    
     from urllib.parse 
     import urljoin
    
   

   
    
   
   
     
    
   

   
    
   
   
     
    
   

   
    
   
   
    
     class HtmlParser(object):
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def parse(self, page_url, html_cont):
    
   

   
    
   
   
            
     if page_url 
     is 
     None 
     or html_cont 
     is 
     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
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def _get_new_data(self, page_url, soup):
    
   

   
    
   
   
    
             res_data = {
     "url": page_url}
    
   

   
    
   
   
            
     # 获取标题
    
   

   
    
   
   
    
             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")
    
   

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

   
    
   
   
            
     return res_data
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def _get_new_urls(self, page_url, soup):
    
   

   
    
   
   
    
             new_urls = set()
    
   

   
    
   
   
            
     # 查找出所有符合下列条件的url
    
   

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

   
    
   
   
            
     for link 
     in links:
    
   

   
    
   
   
    
                 new_url = link[
     'href']
    
   

   
    
   
   
                
     # 获取到的url不完整，学要拼接
    
   

   
    
   
   
    
                 new_full_url = urljoin(page_url, new_url)
    
   

   
    
   
   
    
                 new_urls.add(new_full_url)
    
   

   
    
   
   
            
     return new_urls

（6）编写网页输出器

输出的格式有很多种，我们选择以html的形式输出，这样我们可以的到一个html页面。


 
   
    
   
   
    
     # 网页输出器
    
   

   
    
   
   
    
     class HtmlOutputer(object):
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def __init__(self):
    
   

   
    
   
   
    
             self.datas = []
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     def collect_data(self, data):
    
   

   
    
   
   
            
     if data 
     is 
     None:
    
   

   
    
   
   
                
     return
    
   

   
    
   
   
    
             self.datas.append(data)
    
   

   
    
   
   
     
    
   

   
    
   
   
        
     # 我们以html表格形式进行输出
    
   

   
    
   
   
        
     def output_html(self):
    
   

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

   
    
   
   
    
             fout.write(
     "<html>")
    
   

   
    
   
   
    
             fout.write(
     "<meta charset='utf-8'>")
    
   

   
    
   
   
    
             fout.write(
     "<body>")
    
   

   
    
   
   
            
     # 以表格输出
    
   

   
    
   
   
    
             fout.write(
     "<table>")
    
   

   
    
   
   
            
     for data 
     in self.datas:
    
   

   
    
   
   
                
     # 一行
    
   

   
    
   
   
    
                 fout.write(
     "<tr>")
    
   

   
    
   
   
                
     # 每个单元行的内容
    
   

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

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

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

   
    
   
   
    
                 fout.write(
     "</tr>")
    
   

   
    
   
   
    
             fout.write(
     "</table>")
    
   

   
    
   
   
    
             fout.write(
     "</body>")
    
   

   
    
   
   
    
             fout.write(
     "</html>")
    
   

   
    
   
   
            
     # 输出完毕后一定要关闭输出器
    
   

   
    
   
   
    
             fout.close()