Python基础爬虫

搭建环境：

win10，Python3.6，pycharm，未设虚拟环境

之前写的爬虫并没有架构的思想，且不具备面向对象的特征，现在写一个基础爬虫架构，爬取百度百科，首先介绍一下基础爬虫框架的五大模块功能，包括爬虫调度器，URL管理器，HTML下载器，HTML解析器，数据存储器，功能分析如下：

　　>>爬虫调度器主要负责统筹其他四个模块的协调工作

　　>>URL管理器负责管理URL链接，维护已经爬取的URL集合和未爬取的URL集合，提供获取新URL链接的接口

　　>>HTML下载器用于从URL管理器中获取未爬取的URL链接并下载HTML网页

　　>>HTML解析器用于从HTML下载器中获取已经下载的HTML网页，并从中解析出新的URL链接交给URL管理器，解析出有效数据交给数据存储器

　　>>数据存储器用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来

URL管理器：

URL管理器主要包括两个变量，一个是已爬取的URL集合，另一个是未爬取的URL集合；链接去重很重要，因为爬取链接重复时容易造成死循环，防止链接重复方法主要有三种，一是内存去重，二是关系数据库去重，三是缓存数据库去重；大型成熟的爬虫基本上采用缓存数据库的去重方案，尽可能避免内存大小的限制，又比关系型数据库去重性能高得多（每爬一个链接之前都要在数据库中查询一遍）；由于基础爬虫的爬取数量较小，因此我们使用Python中set这个内存去重方式

在pycharm中新建一个python项目，然后新建一个URLManager.py文件，敲入以下代码：

class UrlManager(object):
    def __init__(self):
        self.new_urls = set()#未爬取URL集合
        self.old_urls = set()#已爬取URL集合

    def has_new_url(self):
        '''
        判断是否有未爬取的url
        :return
        '''
        return self.new_url_size()!= 0

    def get_new_url(self):
        '''
        获取一个未爬取的url
        :return:
        '''
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

    def add_new_url(self,url):
        '''
        将新的url添加到未爬取的URL集合中
        :return:
        '''
        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):
        '''
        将新的URL添加到未爬取的URL集合中
        '''
        if urls is None or len(urls)==0:
            return
        for url in urls:
            self.add_new_url(url)

    def new_url_size(self):
        '''
        获取未爬取URL集合的大小
        '''
        return len(self.new_urls)

    def old_url_size(self):
        '''
        获取已经爬取URL集合的大小
        '''
        return len(self.old_urls)

HTML下载器

HTML下载器用来下载网页，这时候需要注意网页的编码，以保证下载的网页没有乱码，同样新建一个HtmlDownloader.py

import requests

class HtmlDownloader(object):

    def download(self,url):
        if url is None:
            return None
        user_agent = 'Your user_agent'
        headers = {'User-Agent': user_agent}
        r = requests.get(url,headers=headers)
        if r.status_code==200:
            r.encoding='utf-8'
            return r.text
        return None

HTML解析器

在这里HTML解析器使用BeautifulSoup来解析网页源码，其他解析方式还有CSS选择器，xpath，pyquery(大杀器)，正则等等，我们需要提取正文标题，摘要以及网页中存在的URL链接，

同样新建一个HtmlParser.py文件

看下网页源码：

定位到了标题位置，div > h1

所以可以这么写：

title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1').get_text()

再看摘要位置：

所以可以这么写：

summary = soup.find('div',class_='lemma-summary').get_text().strip()

再看网页中的URL链接：

大多数是这种格式：<a target="_blank" href="/item/%E4%B8%87%E7%BB%B4%E7%BD%91">万维网</a>，以及其他格式，因此写一个如下的提取（其实并不能提取以91结尾的URL，正则太久没写忘记了。。）：

links = soup.find_all('a',href=re.compile(r'/item/[\w\W]*?91'))

具体代码：

import re
import urllib
from bs4 import BeautifulSoup
import requests

class HtmlParser(object):

    def parser(self,page_url,html_cont):
        '''
        用于解析网页内容，抽取URL和数据
        '''
        if page_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont,'html5lib')
        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):
        '''
        抽取新的URL集合
        '''
        new_urls = set()
        links = soup.find_all('a',href=re.compile(r'/item/[\w\W]*?91'))
        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):
        '''
        抽取有效数据
        '''
        data = {}
        data['url']  =page_url
        title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')
        data['title'] = title.get_text()
        summary = soup.find('div',class_='lemma-summary')
        data['summary']=summary.get_text().strip()

        return data
'''
以下代码是我用来单独测试这个模块的
    def download(self,page_url):
        if page_url is None:
            return None
        user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'
        headers = {'User-Agent': user_agent}
        r = requests.get(page_url,headers=headers)
        if r.status_code==200:
            r.encoding='utf-8'
            return r.text
        return None

parser = HtmlParser()
page_url = 'https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711'
html_cont = parser.download(page_url)
new_urls,new_data = parser.parser(page_url,html_cont)
print(new_urls,new_data)
'''

数据存储器

包括两个方法，store_data用来将HTML解析模块解析出来的数据存储到内存中（list），out_html用来将存储的数据输出为HTML格式（利于展示），同样新建一个DataOutput.py文件

代码如下：

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','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>")
            self.datas.remove(data)
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

爬虫调度器

爬虫调度器要做的工作就是初始化各个模块，然后通过一个方法传入入口URL，按照流程运行各个模块，同样新建一个SpiderMan.py文件

代码如下：

from DataOutput import DataOutput
from HtmlDownloader import HtmlDownloader
from HtmlParser import HtmlParser
from UrlManager import UrlManager

class SpiderMan(object):
    def __init__(self):
        self.manager = UrlManager()
        self.downloader = HtmlDownloader()
        self.parser = HtmlParser()
        self.output = DataOutput()

    def crawl(self,root_url):
        #添加入口url
        self.manager.add_new_url(root_url)
        #判断url管理器中是否有新的url,同时判断抓取了多少个url
        while(self.manager.has_new_url() and self.manager.old_url_size() < 100):
            try:
                #从URL管理器获取新的url
                new_url = self.manager.get_new_url()
                #HTML下载器下载网页
                html = self.downloader.download(new_url)
                #print(html)
                # #HTML解析器抽取网页数据
                new_urls,data = self.parser.parser(new_url,html)
                #print(new_urls,data)
                # #将抽取的url添加到URL管理器中
                self.manager.add_new_urls(new_urls)
                # #数据存储器存储文件
                self.output.store_data(data)
                print("已经抓取%s个链接"%self.manager.old_url_size())
            except Exception as e:
                print("crawl failed")
        self.output.output_html()

if __name__ == "__main__":
    spider_man = SpiderMan()
    spider_man.crawl("https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711")

最后输出的HTML文件如下：

并不是很利于展示。。。再接再厉