本文实例讲述了Python爬虫实现爬取百度百科词条功能。分享给大家供大家参考，具体如下：
爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。常见的爬虫框架有Scrapy等。
自定义爬虫程序一般包含：URL管理器、网页下载器、网页解析器、输出处理器。
以下我写了一个爬取百度百科词条的实例。
爬虫主程序入口
from crawler_test.html_downloader import UrlDownLoader
from crawler_test.html_outer import HtmlOuter
from crawler_test.html_parser import HtmlParser
from crawler_test.url_manager import UrlManager
# 爬虫主程序入口
class MainCrawler():
def __init__(self):
# 初始值，实例化四大处理器：url管理器，下载器，解析器，输出器
self.urls = UrlManager()
self.downloader = UrlDownLoader()
self.parser = HtmlParser()
self.outer = HtmlOuter()
# 开始爬虫方法
def start_craw(self, main_url):
print('爬虫开始...')
count = 1
self.urls.add_new_url(main_url)
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()
print('爬虫%d,%s' % (count, new_url))
html_cont = self.downloader.down_load(new_url)
new_urls, new_data = self.parser.parse(new_url, html_cont)
# 将解析出的url放入url管理器，解析出的数据放入输出器中
self.urls.add_new_urls(new_urls)
self.outer.conllect_data(new_data)
if count >= 10:# 控制爬取的数量
break
count += 1
except:
print('爬虫失败一条')
self.outer.output()
print('爬虫结束。')
if __name__ == '__main__':
main_url = 'https://baike.baidu.com/item/Python/407313'
mc = MainCrawler()
mc.start_craw(main_url)
URL管理器
# URL管理器
class UrlManager():
def __init__(self):
self.new_urls = set() # 待爬取
self.old_urls = set() # 已爬取
# 添加一个新的url
def add_new_url(self, url):
if url is None:
return
elif url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
# 批量添加url
def add_new_urls(self, urls):
if urls is None or len(urls) == 0:
return
else:
for url in urls:
self.add_new_url(url)
# 判断是否有url
def has_new_url(self):
return len(self.new_urls) != 0
# 从待爬取的集合中获取一个url
def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
网页下载器
from urllib import request
# 网页下载器
class UrlDownLoader():
def down_load(self, url):
if url is None:
return None
else:
rt = request.Request(url=url, method='GET') # 发GET请求
with request.urlopen(rt) as rp: # 打开网页
if rp.status != 200:
return None
else:
return rp.read() # 读取网页内容
网页解析器
import re
from urllib import parse
from bs4 import BeautifulSoup
# 网页解析器，使用BeautifulSoup
class HtmlParser():
# 每个词条中，可以有多个超链接
# main_url指url公共部分，如“https://baike.baidu.com/”
def _get_new_url(self, main_url, soup):
# baike.baidu.com/
# 计算机程序设计语言
new_urls = set()
# 解析出main_url之后的url部分
child_urls = soup.find_all('a', href=re.compile(r'/item/(\%\w{2})+'))
for child_url in child_urls:
new_url = child_url['href']
# 再拼接成完整的url
full_url = parse.urljoin(main_url, new_url)
new_urls.add(full_url)
return new_urls
# 每个词条中，只有一个描述内容，解析出数据（词条，内容）
def _get_new_data(self, main_url, soup):
new_datas = {}
new_datas['url'] = main_url
# 输出处理器
# 输出器
class HtmlOuter():
def __init__(self):
self.datas = []
# 先收集数据
def conllect_data(self, data):
if data is None:
return
self.datas.append(data)
return self.datas
# 输出为HTML
def output(self, file='output_html.html'):
with open(file, 'w', encoding='utf-8') as fh:
fh.write('')
fh.write('')
fh.write('')
fh.write('爬虫数据结果 ')
fh.write('')
fh.write('')
fh.write(
'| URL | ') fh.write('词条 | ') fh.write('内容 | ') fh.write('
|---|---|---|
| {0} | '.format(data['url'])) fh.write('{0} | '.format(data['title'])) fh.write('{0} | '.format(data['content'])) fh.write('
效果（部分）：
更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
京公网安备 11010802040832号 | 京ICP备19059560号-6 
