`
dcj3sjt126com
  • 浏览: 1877517 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

python 简单爬虫,爬100个百度百科页面的标题和描述

阅读更多

spider_main.py

# coding:utf8
from baike import url_manager
from baike import html_downloader
from baike import html_outputer
from baike import html_parser


class SpiderMain(object):
    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    def craw(self, root_url):
        count = 1
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print 'craw %d : %s' %(count, new_url)
                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)

                if count == 100:
                    break;

                count = count + 1
            except:
                print 'craw failed'
        self.outputer.output_html()

if __name__ == "__main__":
    root_url = "http://baike.baidu.com/view/21087.htm"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

 

html_downloader.py

# 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()

 

html_outputer.py

# 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>")

        # ascii
        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()

 

html_parser.py

# coding:utf8
import urlparse

from bs4 import BeautifulSoup
import re

class HtmlParser(object):

    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 = 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

        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')
        res_data['title'] = title_node.get_text()

        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

 url_manager.py

# 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 add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(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

 

分享到:
评论

相关推荐

    基于python和定向爬虫的商品比价系统

    基于python和定向爬虫的商品比价系统基于python和定向爬虫的商品比价系统基于python和定向爬虫的商品比价系统基于python和定向爬虫的商品比价系统基于python和定向爬虫的商品比价系统基于python和定向爬虫的商品比价...

    python爬虫:Python 爬虫知识大全

    python爬虫:Python 爬虫知识大全; python爬虫:Python 爬虫知识大全; python爬虫:Python 爬虫知识大全; python爬虫:Python 爬虫知识大全; python爬虫:Python 爬虫知识大全; python爬虫:Python 爬虫知识...

    Python爬虫

    在本项目中,BeautifulSoup可能被用来找到并提取百度百科页面中的特定信息,如条目标题、摘要、相关链接等。 存储已访问的URL以避免重复爬取是爬虫设计的重要部分。这里采用了MySQL数据库,一个流行的开源关系型...

    用python实现一个百度百科的爬虫工具

    本案例中的"用python实现一个百度百科的爬虫工具"旨在帮助初学者了解如何利用Python进行网页抓取,特别是针对百度百科这类结构化的信息源。Python因其丰富的库支持,如BeautifulSoup和Requests,成为构建爬虫的理想...

    2:python网络爬虫权威指南_python网络爬虫权威指南_python爬虫指南_

    网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

    Python网络爬虫代码

    【Python网络爬虫代码】是基于Python3编程语言实现的一款数据抓取工具,主要用于从互联网上,特别是百度百科这类网站,自动获取指定网页中的信息。爬虫技术在信息技术领域扮演着重要角色,它能帮助我们高效地提取...

    基于python的百度云网盘爬虫

    【标题】"基于Python的百度云网盘爬虫"是一个项目,旨在教用户如何使用Python编程语言编写程序来抓取并下载百度云网盘上的公开资源。该项目涵盖了网络爬虫技术,结合了百度云盘的API接口,以及可能涉及的前端和后端...

    Python网络爬虫实战.pdf

    本书从Python的安装开始,详细讲解了Python从简单程序延伸到Python网络爬虫的全过程。本书从实战出发,根据不同的需求选取不同的爬虫,有针对性地讲解了几种Python网络爬虫。本书共8章,涵盖的内容有Python语言的...

    python爬虫淘宝京东拼多多

    python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python爬虫淘宝京东拼多多python...

    python爬虫,爬虫破解pexels高清原图

    python爬虫,爬虫破解pexels高清原图python爬虫,爬虫破解pexels高清原图python爬虫,爬虫破解pexels高清原图python爬虫,爬虫破解pexels高清原图python爬虫,爬虫破解pexels高清原图python爬虫,爬虫破解pexels高清...

    解析Python网络爬虫_复习大纲.docx

    Scrapy-Redis是一个分布式爬虫框架,基于Scrapy和Redis实现。 填空题: 1. 网络爬虫又被称为网页蜘蛛、网络机器人。 2. 网络爬虫能够按照一定的规则,自动请求万维网网站并提取网络数据。 3. 根据使用场景的不同,...

    Python爬虫:爬取网页内容

    python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例python爬虫案例...

    爬虫开发《Python3网络爬虫开发实战代码》

    【爬虫开发】《Python3网络爬虫开发实战代码》 说明:《Python3网络爬虫开发实战代码》----&gt;mitmtest (Practical code for development of Python 3 web crawler) 【爬虫开发】《Python3网络爬虫开发实战代码》文件...

    Python爬虫教程文档

    Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档Python爬虫教程文档...

    Python爬虫小案例

    python爬虫案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫小案例Python爬虫...

    81个Python爬虫源代码+九款开源爬虫工具.doc

    - WebMagic是一个类似Python的Scrapy框架,无须配置,支持模块化设计,涵盖爬虫生命周期的各个阶段,包括链接提取、页面下载、内容抽取和持久化,同时支持多线程和分布式抓取。 6. **Heritrix**: - Heritrix是一...

    python简单爬虫(入门)

    **Python简单爬虫入门** Python爬虫是一种自动化获取网页数据的技术,它可以帮助我们从互联网上抓取大量信息,尤其在数据分析、网站维护和信息监控等领域有着广泛应用。本教程将介绍如何使用Python进行基础的网络...

    python爬虫20个案例

    讲诉python爬虫的20个案例 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

    python爬虫,简陋的pixabay图片下载器

    python爬虫,简陋的pixabay图片下载器python爬虫,简陋的pixabay图片下载器python爬虫,简陋的pixabay图片下载器python爬虫,简陋的pixabay图片下载器python爬虫,简陋的pixabay图片下载器python爬虫,简陋的pixabay...

Global site tag (gtag.js) - Google Analytics