首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python爬虫|你真的会写爬虫吗?

Python爬虫|你真的会写爬虫吗?

作者头像
AI算法与图像处理
发布2019-05-22 18:44:48
5660
发布2019-05-22 18:44:48
举报

1

写在前面的话

咱们直接进入今天的主题---你真的会写爬虫吗?为啥标题是这样,因为我们日常写小爬虫都是一个py文件加上几个请求,但是如果你去写一个正式的项目时,你必须考虑到很多种情况,所以我们需要把这些功能全部模块化,这样也使我们的爬虫更加的健全。

2

基础爬虫的架构以及运行流程

首先,给大家来讲讲基础爬虫的架构到底是啥样子的?JAP君给大家画了张粗糙的图:

从图上可以看到,整个基础爬虫架构分为5大类:爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。

下面给大家依次来介绍一下这5个大类的功能:

  • 爬虫调度器,主要是配合调用其他四个模块,所谓调度就是取调用其他的模板
  • URL管理器,就是负责管理URL链接的,URL链接分为已经爬取的和未爬取的,这就需要URL管理器来管理它们,同时它也为获取新URL链接提供接口。
  • HTML下载器,就是将要爬取的页面的HTML下载下来
  • HTML解析器,就是将要爬取的数据从HTML源码中获取出来,同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。
  • 数据存储器,就是将HTML下载器发送过来的数据存储到本地

3

实战爬取菜鸟笔记信息

差不多就介绍这么些东西,相信大家对整体的架构有了初步的认识,下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息:

(目标站点)

我们来获取上面列表中的信息,这里我就省略了分析网站的一步,如果大家不会分析,可以去看我之前写的爬虫项目。

首先,我们来写一下URL管理器(URLManage.py)

class URLManager(object):    def __init__(self):        self.new_urls = set()        self.old_urls = set()
    def has_new_url(self):        # 判断是否有未爬取的url        return self.new_url_size()!=0
    def get_new_url(self):        # 获取一个未爬取的链接        new_url = self.new_urls.pop()        # 提取之后,将其添加到已爬取的链接中        self.old_urls.add(new_url)        return new_url
    def add_new_url(self, url):        # 将新链接添加到未爬取的集合中(单个链接)        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):        # 将新链接添加到未爬取的集合中(集合)        if urls is None or len(urls)==0:            return        for url in urls:            self.add_new_url(url)
    def new_url_size(self):        # 获取未爬取的url大小        return len(self.new_urls)
    def old_url_size(self):        # 获取已爬取的url大小        return len(self.old_urls)

在这里主要就是两个集合,一个是已爬取URL的集合,另一个是未爬取URL的集合。这里我使用的是set类型,因为set自带去重的功能。

接下来,HTML下载器(HTMLDownload.py)

import requestsclass HTMLDownload(object):    def download(self, url):        if url is None:            return        s = requests.Session()        s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'        res = s.get(url)        # 判断是否正常获取        if res.status_code == 200:            res.encoding='utf-8'            res = res.text            return res        return None

可以看到这里我们只是简单的获取了,url中的html源码

接着看HTML解析器(HTMLParser.py)

import refrom bs4 import BeautifulSoupclass HTMLParser(object):
    def parser(self, page_url, html_cont):        '''        用于解析网页内容,抽取URL和数据        :param page_url: 下载页面的URL        :param html_cont: 下载的网页内容        :return: 返回URL和数据        '''        if page_url is None or html_cont is None:            return        soup = BeautifulSoup(html_cont, 'html.parser')        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_urls(self,page_url,soup):        '''        抽取新的URL集合        :param page_url:下载页面的URL        :param soup: soup数据        :return: 返回新的URL集合        '''        new_urls = set()        for link in range(1,100):            # 添加新的url            new_url = "http://www.runoob.com/w3cnote/page/"+str(link)            new_urls.add(new_url)            print(new_urls)        return new_urls
    def _get_new_data(self,page_url,soup):         '''         抽取有效数据         :param page_url:下载页面的url         :param soup:         :return: 返回有效数据         '''         data={}         data['url'] = page_url         title = soup.find('div', class_='post-intro').find('h2')         print(title)         data['title'] = title.get_text()         summary = soup.find('div', class_='post-intro').find('p')         data['summary'] = summary.get_text()         return data

在这里,我们将HTML下载器的源码进行了分析和解析,从而得到了我们想要拿到的数据,如果BeautifulSoup不懂的可以去看一下我之前写的文章。

继续看,数据存储器(DataOutput.py)

import codecsclass DataOutput(object):
    def __init__(self):        self.datas = []
    def store_data(self,data):        if data is None:            return        self.datas.append(data)
    def output_html(self):        fout = codecs.open('baike.html', 'a', encoding='utf-8')        fout.write("<html>")        fout.write("<head><meta charset='utf-8'/></head>")        fout.write("<body>")        fout.write("<table>")        for data in self.datas:            fout.write("<tr>")            fout.write("<td>%s</td>"%data['url'])            fout.write("<td>《%s》</td>" % data['title'])            fout.write("<td>[%s]</td>" % data['summary'])            fout.write("</tr>")            self.datas.remove(data)        fout.write("</table>")        fout.write("</body>")        fout.write("</html>")        fout.close()

大家可能发现我这里是将数据存储到一个html的文件当中,在这里你当然也可以存在Mysql或者csv等文件当中,这个看自己的选择,我这里只是为了演示所以就放在了html当中。

最后一个,爬虫调度器(SpiderMan.py)

from base.DataOutput import DataOutputfrom base.HTMLParser import HTMLParserfrom base.HTMLDownload import HTMLDownloadfrom base.URLManager import URLManager
class SpiderMan(object):    def __init__(self):        self.manager = URLManager()        self.downloader = HTMLDownload()        self.parser = HTMLParser()        self.output = DataOutput()

    def crawl(self, root_url):        # 添加入口URL        self.manager.add_new_url(root_url)        # 判断url管理器中是否有新的url,同时判断抓取多少个url        while(self.manager.has_new_url() and self.manager.old_url_size()<100):            try:                # 从URL管理器获取新的URL                new_url = self.manager.get_new_url()                print(new_url)                # HTML下载器下载网页                html = self.downloader.download(new_url)                # HTML解析器抽取网页数据                new_urls, data = self.parser.parser(new_url, html)                print(new_urls)                # 将抽取的url添加到URL管理器中                self.manager.add_new_urls(new_urls)                # 数据存储器存储文件                self.output.store_data(data)                print("已经抓取%s个链接" % self.manager.old_url_size())            except Exception as e:                print("failed")                print(e)            # 数据存储器将文件输出成指定的格式            self.output.output_html()

if __name__ == '__main__':    spider_man = SpiderMan()    spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

相信这里大家都能看懂,我就是将前面我们写的四个模板在这里把它们调用了一下,我们运行后的结果:

4

总结

我们这里简单的讲解了一下,爬虫架构的五个模板,无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板,希望大家能够照着这些代码写一遍,这样有利于大家的理解,大家以后写爬虫项目也要按照这种架构去写,这样你的爬虫看起来就会更加的规范、健全。

如果你觉得这篇文章对你有所帮助,可以点击右下角的“在看”或者给JAP君加个小鸡腿!JAVAandPython君---一个坚持原创技术输出的公众号!

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-04-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI算法与图像处理 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
数据保险箱
数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档