基础爬虫框架的五个模块有
一:URL管理器
URL管理器主要包括两个变量，一个是已爬取URL的集合，另一个是未爬取URL的集合。采用Python中的set类型，
主要是使用set的去重复功能，防止链接重复爬取，因为爬取链接重复时容易造成死循环。链接去重复在Python
爬虫开发中必备的功能，解决方案主要有3种:①内存去重②关系数据库去重③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很多。由于基础
爬虫的爬取数量较小，因此我们采用Python中的set去重方式。
URL管理器除了具有两个URL集合，还需要提供以下接口，用于配合其他模块使用，接口如下：
●判断是否有代取的URL，方法定义为has_new_url()
●添加新的URL到未爬取集合中，方法定义为add_new_url(url),add_new_urls(urls)
●获取一个未爬取的URL，方法定义为get_new_url()
●获取未爬取URL集合的大小，方法定义为new_url_size()
●获取已经爬取的URL集合的大小，方法定义为old_url_size()
文件名为 ：UrlManager
# coding:utf-8
class UrlManager(object):
def __init__(self):
self.new_urls = set() # 未爬取的URL集合
self.old_urls = set() # 已爬取的URL集合
def has_new_url(self):
return self.new_url_size() != 0
def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
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 new_url_size(self):
return len(self.new_urls)
def old_url_size(self):
return len(self.old_urls)
二: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，保证下载的网页没有乱码，下载器需要用到Requests模块，里面只需要实现一个接口即可：download(url)。
文件名为：HtmlDownloader
# coding:utf-8
import requests
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
user_agent = 'Mozilla/4.0(compatible;MSIE 5.5; Windows NT)'
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
三:HTML解析器
HTML解析器使用BeautifulSoup4进行HTML解析。需要解析的补分主要分为提取相关词条页面的URL和提取当前词条的标题和摘要信息。
文件名为：Htmlparser
# coding:utf-8
import re
import urllib.parse
from bs4 import BeautifulSoup
class Htmlparser(object):
def parser(self, page_url, html_cont):
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont, 'html.parser')
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', href=re.compile(r'/view/\d+\.htm'))
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):
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()
return data
四:数据存储器
数据存储器主要包括两个方法：store_data(data)用于将解析出来的数据存储到内存中，output_html()用于将存储的数据输出为指定的文件格式，我们使用的是将数据输出为HTML格式。
文件名为：DataOutput
# coding:utf-8
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("<head><meta 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>")
self.datas.remove(data)
fout.write("</table>")
fout.write("</body>")
fout.write("</html>")
fout.close()
五:爬虫调度器
爬虫调度器首先要做的是初始化各个模块，然后通过crawl(root_url)方法传入入口URL，方法内部实现按照运行流程控制各个模块的工作。
文件名：SpiderMan
# coding:utf-8
from 爬虫.DataOutput import DataOutput
from 爬虫.HtmlDownloader import HtmlDownloader
from 爬虫.HtmlParser import Htmlparser
from 爬虫.URLManager import UrlManager
class SpiderMan(object):
def __init__(self):
self.manager = UrlManager()
self.downloader = HtmlDownloader()
self.output = DataOutput()
self.parser = Htmlparser()
def crawl(self, root_url):
self.manager.add_new_url(root_url)
while (self.manager.has_new_url() and self.manager.old_url_size() < 100):
try:
new_url = self.manager.get_new_url()
html = self.downloader.download(new_url)
new_urls, data = self.parser.parser(new_url, html)
self.manager.add_new_urls(new_urls)
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("http://baike.baidu.com/view/284853.htm")