目录
前言
前一段一直在打基础，已经学习了变量，流程控制，循环，函数这几块的知识点，就想通过写写小程序来实践一下，来加深知识点的记忆和理解。首先考虑的就是爬虫啦，一直很崇拜爬虫大师，特别想能够学习一些爬虫技术，去淘宝上爬爬数据，说不定什么时候可以使用数据进行一些分析，比如哪天自己也开了个小店啥的~~。为了能够开始起步， 我看了一些视频，查阅了一些资料，起步阶段就不用那些很牛逼的框架了，主要是想通过基本的爬虫来了解爬虫的基本概念和思路。
要解决的问题
查阅百度百科的某个关键词以及相关联的关键词的集合。这是一个比较有意义的事情，通过这样的数据能更好的理解相关的生态圈。比如我查阅“分布式计算” http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448 文章里面含有很多的有链接的关键词，就这样不断的迭代去爬这些链接的关键词的文章内的关键词。
设计方案
爬虫含有5个组成部分：主程序，URL管理器，HTML下载器，HTML解析器，结果展示器
主程序：调度其他的部件的执行，并作为主程序入口来执行代码
URL管理器： 管理URL的集合以及状态 - 未下载的URL，已下载的URL，添加新的URL，去除已现在的URL
HTML下载器： 下载URL对应的HTML
HTML解析器： 解析下载下来的HTML，取出有用的数据
结果展示器： 组织最终生成的数据，并展示或者存储起来
代码说明
| 部件名称 |
程序名称 |
代码 |
| 主程序 |
SpiderMain.py |
from Spider import UrlManager,HtmlDownloader,HtmlParser,HtmlOutputer
class Spider(object):
def __init__(self):
self.urlmanager = UrlManager.Manager()
self.htmldownloader = HtmlDownloader.Downloader()
self.htmlparser = HtmlParser.Parser()
self.htmloutputer = HtmlOutputer.Outputer()
def scrpy(self, root_url):
self.urlmanager.add_new_urls(root_url)
count = 1
while(self.urlmanager.has_new_url()):
if(count>10):
break
curr_url = self.urlmanager.get_new_url()
html_content = self.htmldownloader.load(curr_url)
print("No.%d Downloading URL %s" % (count, curr_url))
word,new_urls,lemmasummary = self.htmlparser.parse(curr_url,html_content)
data={}
data['word']=word
data['curr_url']=curr_url
data['lemmasummary']=lemmasummary
self.htmloutputer.collect(data)
self.urlmanager.add_new_urls(new_urls)
count = count + 1
self.htmloutputer.genhtml()
if(__name__=='__main__'):
root_url = "http://baike.baidu.com/item/%E5%88%86%E5%B8%83%E5%BC%8F%E8%AE%A1%E7%AE%97/85448"
spider = Spider()
spider.scrpy({root_url})
|
| URL管理器 |
UrlManager.py |
class Manager(object):
def __init__(self):
self.old_urls=set()
self.new_urls=set()
def add_new_urls(self, root_url):
for url in root_url:
if(root_url not in self.old_urls and root_url not in self.new_urls):
self.new_urls.add(url)
def has_new_url(self):
if(len(self.new_urls) > 0):
return True
else:
return False
def get_new_url(self):
tmp=self.new_urls.pop()
self.old_urls.add(tmp)
return tmp
|
| HTML下载器 |
HtmlDownloader.py |
import urllib.request
class Downloader(object):
def load(self, curr_url):
html = urllib.request.urlopen(curr_url)
return html.read().decode("UTF-8",'ignore')
|
| HTML解析器 |
HtmlParser.py |
import re
from urllib.parse import urljoin
from bs4 import BeautifulSoup
class Parser(object):
def __init__(self):
self.title = ''
self.urls = set()
self.lemmasummary = ''
def parse(self, curr_url, html_content):
soup = BeautifulSoup(html_content, 'html.parser',from_encoding="utf-8")
soupurls=soup.find_all('a',href=re.compile(r'/view'))
for url in soupurls:
self.urls.add(urljoin(curr_url,url['href']))
self.title = soup.title.string.split("_")[0]
self.lemmasummary = soup.find('div',class_='lemma-summary')
return self.title,self.urls,self.lemmasummary
|
| 结果展示器 |
HtmlOutputer.py |
class Outputer(object):
def __init__(self):
self.table = []
def collect(self, data):
self.table.append(data)
def genhtml(self):
html = open('result.html','w')
html.write("<html>")
html.write("<head>")
html.write("</head>")
html.write("<body>")
html.write("<table>")
for data in self.table:
html.write("<tr>")
html.write("<td>%s</td>" % data['word'])
html.write("<td>%s</td>" % data['curr_url'])
html.write("<td>%s</td>" % data['lemmasummary'])
html.write("</tr>")
html.write("</table>")
html.write("</body>")
html.write("</html>")
html.close()
|
小结
在上面的爬虫代码里面，主要体现了爬虫的几个部件之间的配合，以及每个部件的所引用的模块，比如urllib,bs4,re
