我花了2周的时间，从对Python相关知识一无所知，到成功写出第一个爬虫项目。Python语言真的很简单，不到两百行的代码写出了一个能够爬取百度百科相关词条的有关页面（页面的数量由你定）。我是在网站上学习的，因为有厉害的大神会分享源码以及教你怎么做。我是有C/C++基础的，学Python完全是因为看知乎上有一个很热门的话题“用Python爬虫可以做哪些很酷很有趣的事情？”。看了很多答主的回答，便对Python有了浓厚的兴趣。就像当年Ken Thompson做的第一个Unix核心一样，他当时也仅仅是为了移植一套《太空旅游》的游戏到他电脑上而已。。
Python爬虫是一段自动抓取互联网信息的程序。以下是爬虫的简介与他的架构以及运行架构和价值。（图片来自慕课网）
爬虫主体分为三大部分，URL管理器，网页下载器以及网页分析器。在网页下载器上，我用的是urllib2模块，因为它是Python官方基础模块，我觉得刚学Python的话用这个就行了。网页解析器我用的是BS4。图片便于记忆，以下是贴图。
这是我在慕课网上学习的第一个爬虫项目，而且这也是我第一篇博客。在下我贴出我的Python源码，全是手打。希望对于学习有兴趣的同学有帮助吧！
#这是主调度程序：spider_main
# coding:utf8
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下载器
self.parser = html_parser.HtmlParser()#html解析器
self.outputer = html_outputer.HtmlOutputer()
def craw(self,root_url):
count = 1#当前爬取url
self.urls.add_new_url(root_url)#添加入口url
#当有新的url时
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()#从urls获取行的url
print 'craw %d : %s'%(count,new_url)
html_cont = self.downloader.download(new_url)#下载url页面
new_urls,new_data = self.parser.parse(new_url,html_cont)#解析下载页面
self.urls.add_new_urls(new_urls)#添加批量url
self.outputer.collect_data(new_data)#收集新的数据
if count==10:
break
count+=1
except Exception as e:
print 'craw failed--',e
self.outputer.output_html()#输出收集好的数据
if __name__=="__main__":
root_url="http://baike.baidu.com/item/Python"#入口url
obj_spider = SpiderMain()
obj_spider.craw(root_url)
#这是url_manager的代码
#coding:utf8
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 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
def add_new_urls(self,urls):
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
#下载器的代码
#coding:utf8
import urllib2
from compiler.ast import Node
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()
#网页解析器的代码
#coding:utf8
from bs4 import BeautifulSoup
import re
import urlparse
class HtmlParser(object):
def _get_new_urls(self, page_url, soup):
new_urls = set()
#/view/123.htm
links = soup.find_all("a",href = 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">
title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")
res_data['title'] = title_node.get_text()
#<div class="lemma-summary" label-module="lemmaSummary">
summary_node = soup.find('div',class_="lemma-summary")
res_data['summary'] = summary_node.get_text()
return res_data
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
#输出器的代码
#coding:utf8
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'])
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()