Python3爬虫之四简单爬虫架构【爬取百度百科python词条网页】

原創

行者小朱

2020-02-20 15:46

前面介绍了Python写简单的爬虫程序，这里参考慕课网 Python开发简单爬虫总结一下爬虫的架构。让我们的爬虫程序模块划分更加明确，代码具有更佳的逻辑性、可读性。因此，我们可以将整个爬虫程序总结为以下5个模块：

1、爬虫调度端：负责启动、停止、监控爬虫程序的运行；

2、URL管理器：负责爬虫执行过程中待爬取的URL队列和已爬取的URL队列的管理【防重复、防循环抓取】；

3、网页下载器：把url指向的网页下载下来；

4、网页解析器：解析下载下来的网页，一方面可以得到网页中有价值的信息，另一方面可以得到网页中新的URL链接，保存到URL管理器中；

5、结果：将解析器中得到的结果按我们期望的格式展现出来；

整个运行过程就是，调度器启动爬虫，从URL管理器中取一条待爬取的URL，调用下载器进行网页的下载，调用网页解析器对下载的网页进行解析，将新的URL加入到URL管理器中，将提取到的数据展示出来。如图

下面以爬取百度百科Python词条为例【http://baike.baidu.com/item/Python】，运用爬虫架构的方式实现相关页面的抓取：

1、爬虫总调试程序---负责对程序各模块的调度

# coding=utf-8

from BaikePython import URLManager, HTMLDownloader, HTMLParser, HTMLOutput

# 爬虫总调度程序
class SpiderMain(object):
    # 构造函数初始化url管理器、HTML下载器、HTML解析器、输出四个对象
    def __init__(self):
        # url管理器
        self.urls = URLManager.url_manager()
        # url下载器
        self.downloader = HTMLDownloader.html_downloader()
        # url解析器
        self.parser = HTMLParser.html_parser()
        # 最终的输出
        self.outputer = HTMLOutput.html_output()

    # 爬虫调度程序
    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()
                # 下载该url对应的页面
                print("craw %d : %s" % (count, new_url))
                html_cont = self.downloader.download(new_url)
                # 解析该url对应的页面，得到新的链接和内容
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                # 将新url添加到url管理器中
                self.urls.add_new_urls(new_urls)
                # 将解析到的内容收集起来
                self.outputer.collect_data(new_data)

                if count == 1000:  # 爬取1000个页面即可
                    break
                count = count + 1

            except:
                print("craw fail")
        # 最终输出爬取目标的内容
        self.outputer.output_html()


# 主函数启动爬虫
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---维护待爬取URL和已爬取URL两个队列

class url_manager(object):
    # URL管理器中维护两个集合
    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()

    # 向管理器中添加一个新的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)

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

    # 从待爬取的集合中获取一个需要爬取的url
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

3、网页下载器---下载指定的页面【有三种方法】

import urllib


class html_downloader(object):

    # 下载url对应的页面
    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、网页解析器

import re
import urllib

from bs4 import BeautifulSoup


class html_parser(object):

    # 从HTML页面中解析出新的url和页面内容
    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

    # 解析网页的标题标签title和简介标签summary
    def _get_new_data(self, url, soup):
        res_data= {}

        res_data['url'] = url

        # 标题标签
        # <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、输出到文件

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代码