第一個python爬蟲（python3爬取百度百科1000個頁面）

以下內容參考自：http://www.imooc.com/learn/563

一、爬蟲簡介

爬蟲：一段自動抓取互聯網信息的程序

爬蟲可以從一個url出發，訪問其所關聯的所有的url。並從每個url指向的網頁中，獲取我們所需要的信息。

二、簡單爬蟲架構 

1.Python簡單爬蟲架構

（1）爬蟲調度端：啓動爬蟲、停止爬蟲、監視爬蟲的運行情況。

（2）在爬蟲程序中，有三個模塊：

1）Url管理器：管理將要爬取的url和已經爬取的url。將待爬取的url傳送給網頁下載器。
2）網頁下載器：將Url指定的網頁下載下來，保存爲一個字符串。將這個字符串傳送給網頁解析器進行解析。
3）網頁解析器：一方面，會解釋出有價值的數據；另一方面，解析出字符串中的url，將其補充到url管理器。
這三個模塊，形成了一個循環。只有有未爬取的url，這個循環就會一直繼續下去。

2.Python簡單爬蟲架構的動態運行流程

三、分別講解各模塊設計思路

1.URL管理器

作用：管理待抓取URL集合和已抓取URL集合

目的：防止重複抓取、防止循環抓取

實現方式：

在這裏，我們選用Python的set()來實現小型的url管理器

2.網頁下載器

作用：將互聯網上URL對應的網頁下載到本地的工具

工作流程：

實現方式：

3.網頁解析器

作用：從網頁中提取有價值的數據

從下載好的html網頁或者字符串中，可以提取出url、有價值的數據。

類型：正則表達式、html.parser、BeautifulSoup、lxml

其中，BeautifulSoup這個第三方插件可以使用html.parser和lxml作爲它的解析器。

其中，正則表達式是模糊匹配，另外三種則是結構化的解析。

附，結構化解析：

四、實戰：使用Python爬蟲抓取百度百科的1000個頁面

1.分析目標

目標：百度百科Python詞條相關詞條網頁-標題和簡介

入口頁：http://baike.baidu.com/view/21087.htm

URL格式：

--詞條頁面URL:/view/21087.htm

數據格式：

--標題：<dd class="lemmaWgt-lemmaTitle-title"><h1>***</h1></dd>

--簡介：<div class="lemma-summary" label-module="lemmaSummary">***</div>

頁面編碼：UTF-8

2.調度程序

程序目錄：

spider_main.py

from baike_spider import html_downloader
from baike_spider import html_parser
from baike_spider import html_outputer
class SpiderMain(object):
    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()
    def craw(self, root_url):
        count = 1
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print("craw %d : %s" %(count, new_url))
                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.paser(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
                if count == 1000:
                    break
                count = count + 1
            except:
                print('craw failed')
        self.outputer.output_html()
if __name__ == '__main__':
    root_url = "https://baike.baidu.com/item/Python"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

html_download.py

import urllib.request
class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None
        response = urllib.request.urlopen(url)
        if response.getcode() != 200:
            return None
        return response.read()

url_manager.py

class UrlManager(object):
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    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 has_new_url(self):
        return len(self.new_urls) != 0

    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

html_parser.py

from bs4 import BeautifulSoup
import re
import urllib.parse


class HtmlParser(object):
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        links = soup.find_all('a', href=re.compile(r'/item/'))
        for link in links:
            new_url = link['href']
            new_full_url = urllib.parse.urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls

    def _get_new_data(self, page_url, soup):
        res_data = {}

        # url
        res_data['url'] = page_url

        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')
        res_data['title'] = title_node.get_text()

        # lemma-summary
        summary_node = soup.find('div', class_="lemma-summary")
        res_data['summary'] = summary_node.get_text()

        return res_data

    def paser(self, page_url, html_cont):
        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

html_outputer.py

class HtmlOutputer(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("<head><meta http-equiv=\"content-type\" content=\"text/html;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['title'])
            fout.write("<td>%s</td>" % data['summary'])
            fout.write("</tr>")

        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

運行結果如下

還會生成一個html記錄文件

項目github地址：https://github.com/oldbig-carry/python_baidu_spider