Python爬虫实现爬取百度百科词条功能例子
发布时间：2021-11-06 03:06:27 所属栏目：语言 来源：互联网
导读：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： 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 fr
|
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： 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(urlurl=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/ # <a target="_blank" href="/item/%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E8%AF%AD%E8%A8%80" rel="external nofollow" >计算机程序设计语言</a> 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 # <dd class="lemmaWgt-lemmaTitle-title"><h1>计算机程序设计语言</h1>... new_datas['title'] = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1').get_text() # class="lemma-summary" label-module="lemmaSummary"... new_datas['content'] = soup.find('div', attrs={'label-module': 'lemmaSummary'}, class_='lemma-summary').get_text() return new_datas # 解析出url和数据（词条，内容） def parse(self, main_url, html_cont): if main_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'lxml', from_encoding='utf-8') new_url = self._get_new_url(main_url, soup) new_data = self._get_new_data(main_url, soup) return new_url, new_data （编辑：辽源站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |