• 爬虫基础框架组成


    爬虫基础框架

    爬虫调度器:

    基础模块:
    	URL 管理器、HTML 下载器、HTML 解析器和数据存储器等模块
        
    调度器:
    	初始化各个模块,然后通过 crawl(root_url)方法传入入口 URL,方法内部实现按照运行流程控制各个模块的工作
    

    spider 调度:

    from firstSpider.DataOutput import DataOutput
    from firstSpider.HtmlDownloader import HtmlDownloader
    from firstSpider.HtmlParser import HtmlParser
    from firstSpider.UrlManager import UrlManager
    class SpiderMan(object):
    	def __init__(self):
            self.manager= UrlManager()
            self.downloader=HtmlDownloader()
            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,同时判断抓取了多少个 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()
    				#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)
            		#将抽取到 url 添加到 URL 管理器中
     				self.manager.add_new_urls(new_urls)
                    #数据存储器储存文件
     				self.output.store_data(data)
                      print "已经抓取%s 个链接"%self.manager.old_url_size()
                except Exception as e:
                    print('cawl failed')
                    
            #数据存储器将文件输出成指定格式
            self.output.output_html()
            
            
            
    
    if __name__=="__main__":
        spider_man = SpiderMan()
        spider_man.crawl("http://baike.baidu.com/view/284853.htm")
    

    URL 管理器 :

    	已爬取 URL 的集合,未爬取 URL 的集合,采用的 Python 中 set 类型,主要是使用 set 的去重复功能
        
        url 去重:
        	1. 内存去重 2.关系数据库去重 3. 缓存数据库去重。
    
    URLManager.py
    
    class UrlManager(object):
         def __init__(self):
             self.new_urls = set()#未爬取 URL 集合
             self.old_urls = set()#已爬取 URL 集合
                
         def has_new_url(self):
         '''
         判断是否有未爬取的 URL
         :return:
         '''
         	return self.new_url_size()!=0
        
         def get_new_url(self):
         '''
         获取一个未爬取的 URL
         :return:
         '''
             new_url = self.new_urls.pop()
             self.old_urls.add(new_url)
             return new_url
        
         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):
         '''
         将新的 URLS 添加到未爬取的 URL 集合中
         :param urls:url 集合
         :return:
         '''
         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 URL 集合的 s 大小
         :return:
         '''
         return len(self.new_urls)
    
       def old_url_size(self):
         '''
         获取已经爬取 URL 集合的大小
         :return:
         '''
         return len(self.old_urls)       
    

    html 下载器:

    	HTML 下载器用来下载网页,这时候需要注意网页的编码,保证下载到网页没有乱码
       
    
    HtmlDownloader.py
    
    import requests
    class HtmlDownloader(object):
         def download(self,url):
         	if url is None:
         		return None
             user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
             headers={'User-Agent':user_agent}
             r = requests.get(url,headers=headers)
     		if r.status_code==200:
     			r.encoding='utf-8'
     			return r.text
     		return Non
    

    html 解析器:

    	HTML 解析器使用 BeautifulSoup4 进行 HTML 解析。需要解析的部分主要分为提取相关词条页面的 URL 和提取当前词条的标题和摘要信息
        
        HTML 解析器主要提供一个 parser 对外接口,输入参数为当前页面的 URL 和 HTML下载器返回的网页内容
    
    HtmlParser.py
    
    import re
    import urlparse
    from bs4 import BeautifulSoup
    
    class 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',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_urls(self,page_url,soup):
             '''
             抽取新的 URL 集合
             :param page_url: 下载页面的 URL
             :param soup:soup
             :return: 返回新的 URL 集合
             '''
     		new_urls = set()
             #抽取符合要求的 a 标签
             links = soup.find_all('a',href=re.compile(r'/view/d+.htm'))
     		for link in links:
                 #提取 href 属性
                 new_url = link['href']
                 #拼接成完整网址
                 new_full_url = urlparse.urljoin(page_url,new_url)
                 new_urls.add(new_full_url)
     		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('dd',class_='lemmaWgt-lemmaTitle-title').find('h1') 
             data['title']=title.get_text()
             summary = soup.find('div',class_='lemma-summary')
             #获取 tag 中包含的所有文版内容包括子孙 tag 中的内容,并将结果作为 Unicode 字符串返回
             data['summary']=summary.get_text()
     		return data
    
    

    数据存储器:

    	一个将解析出来的数据存储到内存中store_data(data),
        另一个用于将储存的数据输出为指定的文件格式 output_html(),
       
    
    DataOutput.py 
    
    import codecs
    class 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','w',encoding='utf-8')
             fout.write("<html>")
             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()
    
    优化:
    	将数据分批存储到文件,而不应该将所有数据存储到内存,一次性写入文件,系统出现异常容易造成数据丢失
    
  • 相关阅读:
    只用一个字节 计算象棋将帅之间可能的位置
    后缀数组学习
    java 构造不可变类集的使用方法
    topcoder SRM 639 div2
    navicat和pymysql
    表查询
    表的关系对应
    MySQl数据类型和条件限制
    复习之网络编程
    协程
  • 原文地址:https://www.cnblogs.com/star-py-blog/p/13943512.html
Copyright © 2020-2023  润新知