Python3爬蟲之四簡單爬蟲架構【爬取百度百科python詞條網頁】

        前面介紹了Python寫簡單的爬蟲程序，這裏參考慕課網Python開發簡單爬蟲總結一下爬蟲的架構。讓我們的爬蟲程序模塊劃分更加明確，代碼具有更佳的邏輯性、可讀性。因此，我們可以將整個爬蟲程序總結爲以下5個模塊：

        1、爬蟲調度端：負責啓動、停止、監控爬蟲程序的運行；

        2、URL管理器：負責爬蟲執行過程中待爬取的URL隊列和已爬取的URL隊列的管理【防重複、防循環抓取】；

        3、網頁下載器：把url指向的網頁下載下來；

        4、網頁解析器：解析下載下來的網頁，一方面可以得到網頁中有價值的信息，另一方面可以得到網頁中新的URL鏈接，保存到URL管理器中；

        5、結果：將解析器中得到的結果按我們期望的格式展現出來；

        整個運行過程就是，調度器啓動爬蟲，從URL管理器中取一條待爬取的URL，調用下載器進行網頁的下載，調用網頁解析器對下載的網頁進行解析，將新的URL加入到URL管理器中，將提取到的數據展示出來。如圖

        下面以爬取百度百科Python詞條爲例【http://baike.baidu.com/item/Python】，運用爬蟲架構的方式實現相關頁面的抓取：

1、爬蟲總調試程序---負責對程序各模塊的調度

# coding=utf-8

from BaikePython import URLManager, HTMLDownloader, HTMLParser, HTMLOutput

# 爬蟲總調度程序
class SpiderMain(object):
    # 構造函數初始化url管理器、HTML下載器、HTML解析器、輸出四個對象
    def __init__(self):
        # url管理器
        self.urls = URLManager.url_manager()
        # url下載器
        self.downloader = HTMLDownloader.html_downloader()
        # url解析器
        self.parser = HTMLParser.html_parser()
        # 最終的輸出
        self.outputer = HTMLOutput.html_output()

    # 爬蟲調度程序
    def craw(self, root_url):
        count = 1
        # 添加入口URL
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                # 取出新的URL
                new_url = self.urls.get_new_url()
                # 下載該url對應的頁面
                print("craw %d : %s" % (count, new_url))
                html_cont = self.downloader.download(new_url)
                # 解析該url對應的頁面，得到新的鏈接和內容
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                # 將新url添加到url管理器中
                self.urls.add_new_urls(new_urls)
                # 將解析到的內容收集起來
                self.outputer.collect_data(new_data)

                if count == 1000:  # 爬取1000個頁面即可
                    break
                count = count + 1

            except:
                print("craw fail")
        # 最終輸出爬取目標的內容
        self.outputer.output_html()


# 主函數啓動爬蟲
if __name__=="__main__":
    # root_url = "http://baike.baidu.com/item/Python/407313?fr=aladdin"
    root_url = "http://baike.baidu.com/item/Python"
    obj_Spider = SpiderMain()
    obj_Spider.craw(root_url)

2、URL管理器---維護待爬取URL和已爬取URL兩個隊列

class url_manager(object):
    # URL管理器中維護兩個集合
    def __init__(self):
        # 待爬取的url集合
        self.new_urls = set()
        # 已爬取的url集合
        self.old_urls = set()

    # 向管理器中添加一個新的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)

    # 向管理器中批量添加urls
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    # 判斷待爬取列表是否有待爬取的url
    def has_new_url(self):
        return len(self.new_urls) != 0

    # 從待爬取的集合中獲取一個需要爬取的url
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

3、網頁下載器---下載指定的頁面【有三種方法】

import urllib


class html_downloader(object):

    # 下載url對應的頁面
    def download(self, url):
        if url is None:
            return None

        response = urllib.request.urlopen(url)

        if response.getcode() != 200:
            return None

        return response.read()

4、網頁解析器

import re
import urllib

from bs4 import BeautifulSoup


class html_parser(object):

    # 從HTML頁面中解析出新的url和頁面內容
    def parse(self, url, html_content):
        if url is None or html_content is None:
            return

        soup = BeautifulSoup(html_content, 'html.parser', from_encoding='utf-8')
        new_urls = self._get_new_urls(url, soup)
        new_data = self._get_new_data(url, soup)
        return new_urls, new_data

    def _get_new_urls(self, url, soup):
        new_urls = set()

        # # /item/****
        # links = soup.find_all('a', href=re.compiler(r"/item/\S+"))
        # /view/123.htm
        links = soup.find_all('a', href=re.compile(r'/item/(.*)'))
        for link in links:
            new_url = link['href']
            new_full_url = urllib.parse.urljoin(url, new_url)
            new_urls.add(new_full_url)
        return new_urls

    # 解析網頁的標題標籤title和簡介標籤summary
    def _get_new_data(self, url, soup):
        res_data= {}

        res_data['url'] = url

        # 標題標籤
        # <dd  class ="lemmaWgt-lemmaTitle-title" >
        # < h1 > Python < / h1 >
        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1")
        res_data['title'] = title_node.get_text()

        # <div class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('div', class_="lemma-summary")
        res_data['summary'] = summary_node.get_text()

        return res_data

5、輸出到文件

class html_output(object):

    def __init__(self):
        self.datas = []

    def collect_data(self, data):
        if data is None:
            return
        self.datas.append(data)

    def output_html(self):
        fout = open('output.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>")
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

Git代碼