Python爬蟲架構5模板 | 你真的會寫爬蟲嗎？

前言

文的文字及圖片來源於網絡,僅供學習、交流使用,不具備任何商業用途,版權歸原做者全部,若有問題請及時聯繫咱們以做處理。

做者： JAP君

PS：若有須要Python學習資料的小夥伴能夠加點擊下方連接自行獲取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

一、寫在前面的話

我們直接進入今天的主題---你真的會寫爬蟲嗎？爲啥標題是這樣，由於咱們平常寫小爬蟲都是一個py文件加上幾個請求，可是若是你去寫一個正式的項目時，你必須考慮到不少種狀況，因此咱們須要把這些功能所有模塊化，這樣也使咱們的爬蟲更加的健全。

二、基礎爬蟲的架構以及運行流程

首先，給你們來說講基礎爬蟲的架構究竟是啥樣子的？JAP君給你們畫了張粗糙的圖：

從圖上能夠看到，整個基礎爬蟲架構分爲5大類：爬蟲調度器、URL管理器、HTML下載器、HTML解析器、數據存儲器。

下面給你們依次來介紹一下這5個大類的功能：

1. 爬蟲調度器：主要是配合調用其餘四個模塊，所謂調度就是取調用其餘的模板。

2. URL管理器：就是負責管理URL連接的，URL連接分爲已經爬取的和未爬取的，這就須要URL管理器來管理它們，同時它也爲獲取新URL連接提供接口。

3. HTML下載器：就是將要爬取的頁面的HTML下載下來。

4. HTML解析器：就是將要爬取的數據從HTML源碼中獲取出來，同時也將新的URL連接發送給URL管理器以及將處理後的數據發送給數據存儲器。

5.數據存儲器：就是將HTML下載器發送過來的數據存儲到本地。

三、實戰爬取菜鳥筆記信息

差很少就介紹這麼些東西，相信你們對總體的架構有了初步的認識，下面我簡單找了個網站給你們演示一遍用爬蟲架構來爬取信息：

咱們來獲取上面列表中的信息，這裏我就省略了分析網站的一步，若是你們不會分析，能夠去看我以前寫的爬蟲項目。

首先，咱們來寫一下URL管理器（URLManage.py）

 1 class URLManager(object):
 2 def __init__(self):
 3 self.new_urls = set()
 4 self.old_urls = set()
 5 ​
 6 def has_new_url(self):
 7 # 判斷是否有未爬取的url
 8 return self.new_url_size()!=0
 9 ​
10 def get_new_url(self):
11 # 獲取一個未爬取的連接
12         new_url = self.new_urls.pop()
13 # 提取以後，將其添加到已爬取的連接中
14 self.old_urls.add(new_url)
15 return new_url
16 ​
17 def add_new_url(self, url):
18 # 將新連接添加到未爬取的集合中(單個連接)
19 if url is None:
20 return
21 if url not in self.new_urls and url not in self.old_urls:
22 self.new_urls.add(url)
23 ​
24 def add_new_urls(self,urls):
25 # 將新連接添加到未爬取的集合中(集合)
26 if urls is None or len(urls)==0:
27 return
28 for url in urls:
29 self.add_new_url(url)
30 ​
31 def new_url_size(self):
32 # 獲取未爬取的url大小
33 return len(self.new_urls)
34 ​
35 def old_url_size(self):
36 # 獲取已爬取的url大小
37 return len(self.old_urls)

 

在這裏主要就是兩個集合，一個是已爬取URL的集合，另外一個是未爬取URL的集合。這裏我使用的是set類型，由於set自帶去重的功能。

接下來，HTML下載器（HTMLDownload.py）

 1 import requests
 2 class HTMLDownload(object):
 3 def download(self, url):
 4 if url is None:
 5 return
 6         s = requests.Session()
 7         s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
 8         res = s.get(url)
 9 # 判斷是否正常獲取
10 if res.status_code == 200:
11             res.encoding='utf-8'
12             res = res.text
13 return res
14         return None

 

能夠看到這裏咱們只是簡單的獲取了，url中的html源碼

接着看HTML解析器（HTMLParser.py）

 1 import re
 2 from bs4 import BeautifulSoup
 3 class HTMLParser(object):
 4 ​
 5 def parser(self, page_url, html_cont):
 6 '''
 7         用於解析網頁內容，抽取URL和數據
 8         :param page_url: 下載頁面的URL
 9         :param html_cont: 下載的網頁內容
10         :return: 返回URL和數據
11         '''
12 if page_url is None or html_cont is None:
13 return
14         soup = BeautifulSoup(html_cont, 'html.parser')
15         new_urls = self._get_new_urls(page_url, soup)
16         new_data = self._get_new_data(page_url, soup)
17 return new_urls, new_data
18 ​
19 def _get_new_urls(self,page_url,soup):
20 '''
21         抽取新的URL集合
22         :param page_url:下載頁面的URL
23         :param soup: soup數據
24         :return: 返回新的URL集合
25         '''
26         new_urls = set()
27 for link in range(1,100):
28 # 添加新的url
29             new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
30             new_urls.add(new_url)
31             print(new_urls)
32 return new_urls
33 ​
34 def _get_new_data(self,page_url,soup):
35 '''
36          抽取有效數據
37          :param page_url:下載頁面的url
38          :param soup:
39          :return: 返回有效數據
40          '''
41          data={}
42          data['url'] = page_url
43          title = soup.find('div', class_='post-intro').find('h2')
44          print(title)
45          data['title'] = title.get_text()
46          summary = soup.find('div', class_='post-intro').find('p')
47          data['summary'] = summary.get_text()
48          return data

 

在這裏，咱們將HTML下載器的源碼進行了分析和解析，從而獲得了咱們想要拿到的數據，若是BeautifulSoup不懂的能夠去看一下我以前寫的文章。

繼續看，數據存儲器（DataOutput.py）

 1 import codecs
 2 class DataOutput(object):
 3 ​
 4 def __init__(self):
 5 self.datas = []
 6 ​
 7 def store_data(self,data):
 8 if data is None:
 9 return
10 self.datas.append(data)
11 ​
12 def output_html(self):
13         fout = codecs.open('baike.html', 'a', encoding='utf-8')
14         fout.write("<html>")
15         fout.write("<head><meta charset='utf-8'/></head>")
16         fout.write("<body>")
17         fout.write("<table>")
18 for data in self.datas:
19             fout.write("<tr>")
20             fout.write("<td>%s</td>"%data['url'])
21             fout.write("<td>《%s》</td>" % data['title'])
22             fout.write("<td>[%s]</td>" % data['summary'])
23             fout.write("</tr>")
24 self.datas.remove(data)
25         fout.write("</table>")
26         fout.write("</body>")
27         fout.write("</html>")
28         fout.close()

 

你們可能發現我這裏是將數據存儲到一個html的文件當中，在這裏你固然也能夠存在Mysql或者csv等文件當中，這個看本身的選擇，我這裏只是爲了演示因此就放在了html當中。

最後一個，爬蟲調度器（SpiderMan.py）

 1 from base.DataOutput import DataOutput
 2 from base.HTMLParser import HTMLParser
 3 from base.HTMLDownload import HTMLDownload
 4 from base.URLManager import URLManager
 5 ​
 6 class SpiderMan(object):
 7 def __init__(self):
 8         self.manager = URLManager()
 9         self.downloader = HTMLDownload()
10         self.parser = HTMLParser()
11         self.output = DataOutput()
12 ​
13 ​
14 def crawl(self, root_url):
15 # 添加入口URL
16         self.manager.add_new_url(root_url)
17 # 判斷url管理器中是否有新的url，同時判斷抓取多少個url
18 while(self.manager.has_new_url() and self.manager.old_url_size()<100):
19 try:
20 # 從URL管理器獲取新的URL
21                 new_url = self.manager.get_new_url()
22                 print(new_url)
23 # HTML下載器下載網頁
24                 html = self.downloader.download(new_url)
25 # HTML解析器抽取網頁數據
26                 new_urls, data = self.parser.parser(new_url, html)
27                 print(new_urls)
28 # 將抽取的url添加到URL管理器中
29                 self.manager.add_new_urls(new_urls)
30 # 數據存儲器存儲文件
31                 self.output.store_data(data)
32                 print("已經抓取%s個連接" % self.manager.old_url_size())
33 except Exception as e:
34                 print("failed")
35                 print(e)
36 # 數據存儲器將文件輸出成指定的格式
37             self.output.output_html()
38 ​
39 ​
40 if __name__ == '__main__':
41     spider_man = SpiderMan()
42     spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

 

相信這裏你們都能看懂，我就是將前面咱們寫的四個模板在這裏把它們調用了一下，咱們運行後的結果：

總結

咱們這裏簡單的講解了一下，爬蟲架構的五個模板，不管是大型爬蟲項目仍是小型的爬蟲項目都離不開這五個模板，但願你們可以照着這些代碼寫一遍，這樣有利於你們的理解，你們之後寫爬蟲項目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。