                        課程
                    
                        /后端開發(fā)
                        
                            /Python
                        
                        /Python開發(fā)簡單爬蟲

最后只能爬取到第一個(gè)

# coding:utf8
from baike import url_manager, html_downloader, html_parser, html_outputer
class SpiderMain(object):
? ?def __init__(self):
? ? ? ?self.urls = url_manager.UrlManager() ? ? ? ? ? ? ? #URL管理器
? ? ? ?self.downloader = html_downloader.HtmlDownloader() #Html下載器
? ? ? ?self.parser = html_parser.HtmlParser() ? ? ? ? ? ? #html解析器
? ? ? ?self.outputer = html_outputer.HtmlOutputer()

? ?def craw(self,root_url):
? ? ? ?count = 1
? ? ? ?self.urls.add_new_url(root_url) ? ? ? ? ? ? ? ? ? ?#添加入口URL
? ? ? ?#當(dāng)有新的URL時(shí)
? ? ? ?while self.urls.has_new_url():
? ? ? ? ? ?try:
? ? ? ? ? ? ? ?new_url = self.urls.get_new_url() ? ? ? ? ?#從urls獲取新的url
? ? ? ? ? ? ? ?print 'craw %d : %s' %(count,new_url) ? ? #打印craw+count：新的url
? ? ? ? ? ? ? ?html_cont = self.downloader.download(new_url) #下載url界面
? ? ? ? ? ? ? ?new_urls, new_data = self.parser.parse(new_url, html_cont) ?#解析下載界面
? ? ? ? ? ? ? ?self.urls.add_new_urls(new_urls) ? ? ? ? ? #添加批量的url
? ? ? ? ? ? ? ?self.outputer.collect_data(new_data) ? ? ? #收集新數(shù)據(jù)
? ? ? ? ? ? ? ?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/407313?fr=aladdin"
? ?obj_spider = SpiderMain()
? ?obj_spider.craw(root_url)

class UrlManager(object):
? ?def __init__(self):
? ? ? ?self.new_urls = set()
? ? ? ?self.old_urls = set()
? ?#添加單個(gè)url
? ?def add_new_url(self, url):
? ? ? ?if url is None:
? ? ? ? ? ?return
? ? ? ?#如果是全新的URL
? ? ? ?if url not in self.new_urls and url not in self.old_urls:
? ? ? ? ? ?self.new_urls.add(url)
? ?#添加批量的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)
? ?#判斷列表中是否有未爬取過的url
? ?def has_new_url(self):
? ? ? ?return len(self.new_urls) != 0
? ?#獲取新的URL
? ?def get_new_url(self):
? ? ? ?new_url ?= self.new_urls.pop()
? ? ? ?self.old_urls.add(new_url)
? ? ? ?return new_url

# coding:utf8
import urllib2
class HtmlDownloader(object):
? ?def download(self, url):
? ? ? ?if url is None:
? ? ? ? ? ?return None
? ? ? ?response = urllib2.urlopen(url)
? ? ? ?if response.getcode() != 200:
? ? ? ? ? ?return None
? ? ? ?return response.read()

import re
import urlparse
from bs4 import BeautifulSoup

class HtmlParser(object):
? ?def parse(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

? ?def _get_new_urls(self, page_url, soup):
? ? ? ?new_urls = set()
? ? ? ?links = soup.find_all('a',herf = re.compile(r"/view/\d+\.htm"))
? ? ? ?for link in links:
? ? ? ? ? ?new_url = link['href']
? ? ? ? ? ?new_full_url = urlparse.urljoin(page_url,new_url)
? ? ? ? ? ?new_urls.add(new_full_url)
? ? ? ?return new_urls

? ?def _get_new_data(self, page_url, soup):
? ? ? ?res_data = {}
? ? ? ?res_data['url'] = page_url
? ? ? ?# <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"
? ? ? ?summary_node = soup.find('div',class_ ="lemma-summary" )
? ? ? ?res_data['summary'] = summary_node.get_text()

? ? ? ?return res_data

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')

? ? ? ?fout.write("<html>")
? ? ? ?fout.write("<body>")
? ? ? ?fout.write("<table>")

? ? ? ?for data in self .datas:
? ? ? ? ? ?fout.write("<tr>")
? ? ? ? ? ?fout.write("<td>%s</td>" % data['url'].encode('utf-8'))
? ? ? ? ? ?fout.write("<td>%s</td>" % data['title'].encode('utf-8'))
? ? ? ? ? ?fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))
? ? ? ? ? ?fout.write("</tr>")
? ? ? ?fout.write("</table>")
? ? ? ?fout.write("</body>")
? ? ? ?fout.write("</html>")

? ? ? ?fout.close()