python爬虫实战:基础爬虫(使用BeautifulSoup4等)

  以前学习写爬虫程序时候,我没有系统地学习爬虫最基本的模块框架,只是实现自己的目标而写出来的,最近学习基础的爬虫,但含有完整的结构,大型爬虫含有的基础模块,此项目也有,“麻雀虽小,五脏俱全”,只是没有考虑优化和稳健性问题。

              爬虫框架

爬虫框架包括这五大模块,简单介绍作用:1.爬虫调度器:协调其他四大模块工作;2.URL管理器:就是管理提供爬取的链接,分为已爬取URL集合和未爬取URL集合;3.html下载器:下载URL的整个html网页;4.html解析器:将下载的网页进行解析,获得有效数据;5.数据存储器:存储解析后的数据,以文件或数据库形式存储。

项目准备爬取百度百科的一些名词解释和链接,这是小的项目,许多方法简化处理,做起来简洁有效。下面是具体步骤:

1、URL管理器

  根据作用可知,它包括2个集合,已爬取和未爬取URL链接,所以使用python的set()类型进行去重,防止重复死循环。这里在实践时候我存在疑问,后面再讨论。去重方案主要有3种:1)内存去重,2)关系数据库去重,3)缓存数据库去重;明显地,大型成熟爬虫会选择后两种,避免内存大小限制,而现在尚未成熟的小项目,就使用第1种。

class UrlManager():  # URL管理器
    def __init__(self):
        self.new_urls = set()   未爬取集合(去重)
        self.old_urls = set()

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

     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):   将新的URL添加到未爬取集合
        if url is None:
            return
        not in self.new_urls and url in self.old_urls:
            self.new_urls.add(url)

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


     new_url_size(self):
         print(len(self.new_urls))
         len(self.new_urls)


     old_url_size(self):
        return len(self.old_urls)

几个函数作用很清晰,它会将新的链接加入未爬取集合,爬取过的URL就存入old_urls集合中。

2、HTML下载器

这里本来用requests包操作,但是我在后面运行程序时出现错误,所以后来我用了urllib包代替,而requests是它的高级封装,按往常也是用这个,具体是函数返回值出问题还是其他原因还没找出来,给出2个方法,需要大家指正。

import urllib.request

class HtmlDownloader(object):
     download(self,url):
         None
        user_agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)'
        headers = {User-Agent: user_agent}
        html_content = urllib.request.Request(url,headers=headers)urlopen(url)
        response=urllib.request.urlopen(html_content)
        if response.getcode() == 200:
             print(response.read())
            return response.read().decode('utf-8')
        return None

这个是成功的方法,使用urllib打开URL链接,添加请求头可以更好的模拟正常访问,根据状态码返回内容。而存在问题的requests如下:

import requests使用requests包爬取,结果提示页面不存在

class HtmlDownloader(object):   HTML下载器
    : user_agent}
        respondse = requests.get(url,headers=headers)
         print(url)
        if respondse.status_code != 200 None
         respondse.encoding = 'utf-8'
         print(respondse.content)
        return respondse.content

测试时候可看出urllib的respondse.read()与requests的content都是bytes类型,从代码阅读上大体一样,经过几次尝试,以为是编解码问题,最后还是没能找出问题,所以用了urllib进行。

3、HTML下载器

   这里使用BeautifulSoup4进行解析,bs4进行解析可以很简洁的几行代码完成,功能强大常使用。先分析网页结构格式,写出匹配表达式获取数据。

分析之后标题title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')。获取tag中包含的所有文本内容,包括子孙tag中的内容,并将结果作为Unicode字符串返回,词条解释可写出式子匹配summary = soup.find('div',class_='lemma-summary')。

 re
from urllib.parse  urljoin
from bs4  BeautifulSoup


 HtmlParser(object):
     _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(divlemma-summarysummary summary.get_text()
         print(summary_node.get_text())
         data

     _get_new_urls(self,soup):
        new_urls = set()
         print(new_urls)
        links = soup.find_all(a/item/\w+))

        for link  links:
            new_url = link[href]
            new_full_url = urljoin(page_url,new_url)
            new_urls.add(new_full_url)
             print(new_full_url)
         new_urls

     parser(self,html_cont):
        if page_url or html_cont 
        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

 这里使用了正则表达式来匹配网页中的词条链接:links = soup.find_all('a',href=re.compile('/item/\w+'))

4、数据存储器

  包括两个方法,store_data:将目标数据存到列表中;out_html:数据输出外存,这里存为html格式,也可以根据需要存为csv、txt形式。

 codecs


class DataOutput(object):数据存储器
    (self):
        self.datas=[]

     store_data(self,data):
        if data 
        self.datas.append(data)

     output_html(self):
        fout=codecs.open(baike.htmlwutf-8)
        fout.write("<html>"<head><meta charset='utf-8'/></head><body><table>)
        for data  self.datas:
            print(data[])
            fout.write(<tr>)
            fout.write(<td>%s</td>"%data[" % data[</tr>)
             self.datas.remove(data)
        fout.write(</table></body></html>)
        fout.close()

爬取数据量少的情况下可用以上方法,否则要使用分批存储,避免发生异常,数据丢失。

5、爬虫调度器

  终于到最后步骤了,也是关键的一步,协调上面所有“器”,爬虫开始!

from craw_pratice.adataOutput  DataOutput
from craw_pratice.ahtmlDownloader  HtmlDownloader
from craw_pratice.ahtmlParser  HtmlParser
from craw_pratice.aurlManeger  UrlManager


 spiderman(object):
    (self):
        self.manage = UrlManager()
        self.downloader = HtmlDownloader()
        self.parser = HtmlParser()
        self.output = DataOutput()

     crawl(self,root_url):
        self.manage.add_new_url(root_url)
         判断URL管理器中是否有新的URL,同时判断抓去了多少个URL
        while (self.manage.has_new_url() and self.manage.old_url_size() < 100):
            try:
                new_url = self.manage.get_new_url()   从管理器获取新的URL
                print(已经抓取%s个链接: %s" % (self.manage.old_url_size(),new_url))
                html = self.downloader.download(new_url)   下载网页
                 print(html)
                new_urls,data = self.parser.parser(new_url,html)   解析器抽取网页数据
                print(data)
                self.manage.add_new_urls(new_urls)
                self.output.store_data(data)   存储
            except Exception:

                crawl failed)
        self.output.output_html()


if __name__ == __main__:
    root_url = https://baike.baidu.com/item/Python/407313'
    spider_man = spiderman()
    spider_man.crawl(root_url) 

至此,整个爬虫项目完成了,效果如图:

 这是我成功后的小总结,而过程并不是如此顺利,而是遇到小问题,对程序代码不断debug,比如:

上面说到的requests问题,导致爬取的链接不存在,一直提示页面不存在。后来采取urllib解决。还有第3中urljoin的调用,整个小爬虫项目我用到的是python3.6,已经把urlparse模块封装到urllib里面,所以不采用import parser。

这个项目实践让我学习到爬虫最基本的框架,各个功能都实现模块化,清晰简洁,为之后实现大型成熟的爬虫项目做了铺垫,分享学习心得,希望能学得更好,要继续努力!

相关文章

本文从多个角度分析了vi编辑器保存退出命令。我们介绍了保存...
Python中的回车和换行是计算机中文本处理中的两个重要概念,...
SQL Server启动不了错误1067是一种比较常见的故障,主要原因...
信息模块是一种可重复使用的、可编程的、可扩展的、可维护的...
本文从电脑配置、PyCharm版本、Java版本、配置文件以及程序冲...
本文主要从多个角度分析了安装SQL Server 2012时可能出现的错...