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