1.寫在前面
因工作要求初次接觸python爬蟲,網上找了一些模板,感覺這個博客挺不錯的,簡單易上手,想分享下。
https://www.jianshu.com/p/92052813be82
2.基礎爬蟲的架構以及運行流程
從圖中可看出整個基礎爬蟲架構分爲5大類:爬蟲調度器、URL管理器、HTML下載器、HTML解析器、數據存儲器。下面爲具體功能介紹:
1. 爬蟲調度器:主要是配合調用其他四個模塊,所謂調度就是取調用其他的模板。
2. URL管理器:就是負責管理URL鏈接的,URL鏈接分爲已經爬取的和未爬取的,這就需要URL管理器來管理它們,同時它也爲獲取新URL鏈接提供接口。
3. HTML下載器:就是將要爬取的頁面的HTML下載下來。
4. HTML解析器:就是將要爬取的數據從HTML源碼中獲取出來,同時也將新的URL鏈接發送給URL管理器以及將處理後的數據發送給數據存儲器。
5.數據存儲器:就是將HTML下載器發送過來的數據存儲到本地。
3.實戰爬取菜鳥筆記信息
下面演示一遍如何用爬蟲架構來爬取菜鳥筆記信息
1.創建URL管理器
#URLManager
class URLManager(object):
def __init__(self):
#保存未爬取url
self.new_urls = set()
#保存已爬取url
self.old_urls = set()
def has_new_url(self):
#判斷是否有url需要爬取
return self.new_url_size()!=0
def get_new_url(self):
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):
if urls is None or len(urls)==0:
return
for url in urls:
self.add_new_url(url)
def new_url_size(self):
#未爬取url的大小
return len(self.new_urls)
def old_url_size(self):
#已爬取url的大小
return len(self.old_urls)
這裏主要是兩個集合,一個是已爬取URL的集合,另一個是未爬取URL的集合。使用set類型是因爲set自帶去重的功能
2.HTML下載器
#HTMLDownload
import requests
class HTMLDownload(object):
def download(self,url):
if url is None:
return
s = requests.Session()
s.headers['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36'
res = s.get(url)
#判斷是否正常獲取
if res.status_code == 200:
res.encoding='utf-8'
res = res.text
return res
return None
這裏只是簡單的獲取了url中的html源碼
3.HTML解析器
#HTMLParser
import re
from bs4 import BeautifulSoup
class HTMLParser(object):
def parser(self,page_url,html_cont):
if page_url is None or html_cont is None:
return
#解析網頁並抽取url和網頁內容
soup = BeautifulSoup(html_cont,'html.parser')
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):
new_urls = set()
for link in range(1,10):
new_url = "https://www.runoob.com/w3cnote/page/"+str(link)
new_urls.add(new_url)
return new_urls
def _get_new_data(self,page_url,soup):
data = {}
data['url'] = page_url
title = soup.find('div',class_='post-intro').find('h2')
print(title)
data['title'] = title.get_text()
summary = soup.find('div',class_='post-intro').find('p')
data['summary'] = summary.get_text()
return data
這裏將HTML下載器的源碼進行分析和解析,從而得到了我們想要拿到的數據。可以去了解BeautifulSoup的使用
4.數據存儲器
#DataOutput
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','a',encoding='utf-8')
fout.write("<html>")
fout.write("<head><meta charset='utf-8' /></head>")
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['url'])
fout.write("<td>[%s]</td>" % data['summary'])
fout.write("</tr>")
self.datas.remove(data)
fout.write("</body>")
fout.write("</table>")
fout.write("</html>")
fout.close()
這裏爲了演示,將數據存儲到一個html的文件中
5.爬蟲調度器
#爬蟲調度器
import sys
from DataOutput import DataOutput
from HTMLParser import HTMLParser
from HTMLDownload import HTMLDownload
from URLManager import URLManager
class SpiderMan(object):
def __init__(self):
self.manager = URLManager()
self.downloader = HTMLDownload()
self.parser = HTMLParser()
self.output = DataOutput()
def crawl(self,root_url):
#添加需解析的網頁url
self.manager.add_new_url(root_url)
#判斷url管理器是否有新url
while(self.manager.has_new_url() and self.manager.old_url_size()<100):
try:
#從url管理器獲取url
new_url = self.manager.get_new_url()
#html下載器下載網頁
html = self.downloader.download(new_url)
#HTML解析器抽取網頁中url及數據
new_urls, data = self.parser.parser(new_url,html)
#將抽取的url添加到管理器中
self.manager.add_new_urls(new_urls)
#數據存儲器存儲文件
self.output.store_data(data)
print("已經抓取%s個鏈接" % self.manager.old_url_size())
except Exception as e:
print("failed")
print(e)
#輸出文件
self.output.output_html()
if __name__ == '__main__':
spider_man = SpiderMan()
spider_man.crawl("https://www.runoob.com/w3cnote/page/1")
調度器將前面寫的四個模板進行調用。
運行結果如圖:
調用beautifulsoup庫時,運行後提示錯誤: ImportError: No module named bs4 , 意思是沒有找到bs4模塊,解決方法是將bs4安裝上。可參考鏈接:rom bs4 import BeautifulSoup 引入需要安裝的文件和步驟
利用python setup.py install語句安裝模塊時的“No module named setuptools“報錯問題,可參考鏈接:解決python安裝模塊時的“No module named setuptools“報錯問題
4.總結
無論是大型爬蟲項目還是小型的爬蟲項目都離不開這五個模板,以後寫爬蟲項目按照這種架構可使你的爬蟲看起來更加的規範、健全。