首先,給大家來講講基礎爬蟲的架構到底是啥樣子的?JAP君給大家畫了張粗糙的圖:
從圖上可以看到,整個基礎爬蟲架構分為5大類:爬蟲排程器、URL管理器、HTML下載器、HTML解析器、資料儲存器。
下麵給大家依次來介紹一下這5個大類的功能:
-
爬蟲排程器,主要是配合呼叫其他四個模組,所謂排程就是取呼叫其他的模板
-
URL管理器,就是負責管理URL連結的,URL連結分為已經爬取的和未爬取的,這就需要URL管理器來管理它們,同時它也為獲取新URL連結提供介面。
-
HTML下載器,就是將要爬取的頁面的HTML下載下來
-
HTML解析器,就是將要爬取的資料從HTML原始碼中獲取出來,同時也將新的URL連結傳送給URL管理器以及將處理後的資料傳送給資料儲存器。
-
資料儲存器,就是將HTML下載器傳送過來的資料儲存到本地
差不多就介紹這麼些東西,相信大家對整體的架構有了初步的認識,下麵我簡單找了個網站給大家演示一遍用爬蟲架構來爬取資訊:
(標的站點)
我們來獲取上面串列中的資訊,這裡我就省略了分析網站的一步,如果大家不會分析,可以去看我之前寫的爬蟲專案。
首先,我們來寫一下URL管理器(URLManage.py)
class URLManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
def has_new_url(self):
# 判斷是否有未爬取的url
return self.new_url_size()!=0
def get_new_url(self):
# 獲取一個未爬取的連結
new_url = self.new_urls.pop()
# 提取之後,將其新增到已爬取的連結中
self.old_urls.add(new_url)
return new_url
def add_new_url(self, url):
# 將新連結新增到未爬取的集合中(單個連結)
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):
# 將新連結新增到未爬取的集合中(集合)
if urls is None or len(urls)==0:
return
for url in urls:
self.add_new_url(url)
def new_url_size(self):
# 獲取未爬取的url大小
return len(self.new_urls)
def old_url_size(self):
# 獲取已爬取的url大小
return len(self.old_urls)
在這裡主要就是兩個集合,一個是已爬取URL的集合,另一個是未爬取URL的集合。這裡我使用的是set型別,因為set自帶去重的功能。
接下來,HTML下載器(HTMLDownload.py)
import requests
class HTMLDownload(object):
def download(self, url):
if url is None:
return
s = requests.Session()
s.essay-headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
res = s.get(url)
# 判斷是否正常獲取
if res.status_code == 200:
res.encoding='utf-8'
res = res.text
return res
return None
可以看到這裡我們只是簡單的獲取了,url中的html原始碼
接著看HTML解析器(HTMLParser.py)
import re
from bs4 import BeautifulSoup
class HTMLParser(object):
def parser(self, page_url, html_cont):
'''
用於解析網頁內容,抽取URL和資料
:param page_url: 下載頁面的URL
:param html_cont: 下載的網頁內容
:return: 傳回URL和資料
'''
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):
'''
抽取新的URL集合
:param page_url:下載頁面的URL
:param soup: soup資料
:return: 傳回新的URL集合
'''
new_urls = set()
for link in range(1,100):
# 新增新的url
new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
new_urls.add(new_url)
print(new_urls)
return new_urls
def _get_new_data(self,page_url,soup):
'''
抽取有效資料
:param page_url:下載頁面的url
:param soup:
:return: 傳回有效資料
'''
data={}
data['url'] = page_url
title = soup.find('div', class_='post-intro').find('h2')
print(title)
data['title'] = title.get_text()
summary = soup.find('div', class_='post-intro').find('p')
data['summary'] = summary.get_text()
return data
在這裡,我們將HTML下載器的原始碼進行了分析和解析,從而得到了我們想要拿到的資料,如果BeautifulSoup不懂的可以去看一下我之前寫的文章。
繼續看,資料儲存器(DataOutput.py)
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', 'a', encoding='utf-8')
fout.write("")
fout.write("")
fout.write("")
fout.write("
”
)
for data in self.datas:
fout.write(""
)
fout.write("%s
“%data[‘url’])
fout.write("《%s》
” % data[‘title’])
fout.write("[%s]
” % data[‘summary’])
fout.write("
“) self.datas.remove(data)
fout.write("
“) fout.write("
“) fout.write("
“) fout.close()
大家可能發現我這裡是將資料儲存到一個html的檔案當中,在這裡你當然也可以存在Mysql或者csv等檔案當中,這個看自己的選擇,我這裡只是為了演示所以就放在了html當中。
最後一個,爬蟲排程器(SpiderMan.py)
from base.DataOutput import DataOutput
from base.HTMLParser import HTMLParser
from base.HTMLDownload import HTMLDownload
from base.URLManager import URLManager
class SpiderMan(object):
def __init__(self):
self.manager = URLManager()
self.downloader = HTMLDownload()
self.parser = HTMLParser()
self.output = DataOutput()
def crawl(self, root_url):
# 新增入口URL
self.manager.add_new_url(root_url)
# 判斷url管理器中是否有新的url,同時判斷抓取多少個url
while(self.manager.has_new_url() and self.manager.old_url_size()<100):
try:
# 從URL管理器獲取新的URL
new_url = self.manager.get_new_url()
print(new_url)
# HTML下載器下載網頁
html = self.downloader.download(new_url)
# HTML解析器抽取網頁資料
new_urls, data = self.parser.parser(new_url, html)
print(new_urls)
# 將抽取的url新增到URL管理器中
self.manager.add_new_urls(new_urls)
# 資料儲存器儲存檔案
self.output.store_data(data)
print("已經抓取%s個連結" % self.manager.old_url_size())
except Exception as e:
print("failed")
print(e)
# 資料儲存器將檔案輸出成指定的格式
self.output.output_html()
if __name__ == '__main__':
spider_man = SpiderMan()
spider_man.crawl("http://www.runoob.com/w3cnote/page/1")
相信這裡大家都能看懂,我就是將前面我們寫的四個模板在這裡把它們呼叫了一下,我們執行後的結果:
我們這裡簡單的講解了一下,爬蟲架構的五個模板,無論是大型爬蟲專案還是小型的爬蟲專案都離不開這五個模板,希望大家能夠照著這些程式碼寫一遍,這樣有利於大家的理解,大家以後寫爬蟲專案也要按照這種架構去寫,這樣你的爬蟲看起來就會更加的規範、健全。
朋友會在“發現-看一看”看到你“在看”的內容