簡單爬蟲框架實現
目錄html
框架流程 調度器
url管理器 網頁下載器 網頁解析器 數據處理器 具體演示效果
框架流程
調度器
#導入模塊
import Url_Manager
import parser_html
import html_output
import download
class SpiderMain(object):
def __init__(self):
#實例化:url管理器,網頁下載器，網頁解析器，數據輸出
self.urls=Url_Manager.UrlManager()
self.parser=parser_html.Htmlparser()
self.download = download.download()
self.outputer=html_output.HtmlOutputer()
def craw(self,root_url):
count=1
#向列表裏面添加新的單個url
self.urls.add_new_url(root_url)
#判斷待爬取的url列表裏面有沒有新的url
while self.urls.has_new_url():
try:
#若是待爬取的url列表不爲空，則取一個url出來
new_url=self.urls.get_new_url()
print('craw %d:%s' % (count,new_url))
#下載網頁
html_cont=self.download.download(new_url)
#解析網頁
#解析得到兩個數據：新的url，以及咱們要獲取的數據
new_urls,new_data=self.parser.parse(new_url,html_cont)
#獲取的url添加到待爬取的url列表
self.urls.add_new_urls(new_urls)
#保存數據
self.outputer.collect_data(new_data)
#若是下載的url頁面達到50個，結束當前循環
if count ==50:
break
count=count+1
except:
print('craw failed')
#輸出數據
self.outputer.output_html()
if __name__ == '__main__':
#開始爬取的url
url = "http://www.dili360.com/gallery/"
root_url=url
#實例化
obj_spider=SpiderMain()
obj_spider.craw(root_url)
url管理器
#url管理器須要四個方法：
#add_new_url:向管理器添加單個url
#add_new_url:向管理器添加批量的url
#has_new_url:判斷管理器裏面是否有新的在爬取的url
#get_new_url:在管理器中獲取一個正在爬取的url
#url管理器須要維護兩個列表：待爬取的url，已經爬取的url
class UrlManager(object):
def __init__(self):
#待爬取的url列表
self.new_urls=set()
#已經爬取的url列表
self.old_urls=set()
#向管理器添加單個url
def add_new_url(self,url):
#首先判斷url是否爲空
if url is None:
return
#若是這個url既不在待爬取的url裏面也沒有在已經爬取的url裏面，則說明這是一個新url
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
# 向管理器添加批量的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)
#判斷管理器裏面是否有新的在爬取的url
def has_new_url(self):
return len(self.new_urls) != 0
# 獲取一個正在爬取的url
def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
網頁下載器
import requests
class download(object):
def download(self,url):
if url is None:
return None
else:
response = requests.get(url)
if response.status_code !=200:
return None
return response.text
網頁解析器
from urllib.parse import urljoin
from bs4 import BeautifulSoup
class Htmlparser(object):
def _get_new_urls(self,page_url,soup):
new_urls = set()
#這裏能夠加上正則表達式，對url進行過濾
links=soup.find_all('a')
for link in links:
#補全url,添加到列表裏面
new_url=link['href']
new_full_url=urljoin(page_url,new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self,page_url,soup):
#解析數據,由用戶來編寫
new_datas=set()
imgs=soup.find_all('img')
for img in imgs:
new_data=img['src']
new_full_data=new_data
new_datas.add(new_full_data)
return new_datas
#須要解析出新的url和數據
def parse(self,page_url,html_cont):
if page_url is None or html_cont is None:
return
soup=BeautifulSoup(html_cont,'html.parser')
#調用兩個本地方法：解析新的url以及解析數據
new_urls=self._get_new_urls(page_url,soup)
new_data = self._get_new_data(page_url,soup)
return new_urls,new_data
# 報錯：
# UserWarning: You provided Unicode markup but also provided a value for from_encoding. Your from_encoding will be ignored.
# 解決方法：
# soup = BeautifulSoup(html_doc,"html.parser")
# 這一句中刪除【from_encoding="utf-8"】
# 緣由：
# python3 缺省的編碼是unicode, 再在from_encoding設置爲utf8, 會被忽視掉，去掉【from_encoding="utf-8"】這一個好了
數據處理器
使用文檔保存文本信息python
使用文件保存圖片，視頻文件等，可進行擴展正則表達式
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','a+')
for data in self.datas:
for da in data:
fout.write(str(da)+'\n')
fout.close()
具體演示效果
演示url：http://www.dili360.com/gallery/app
演示過程：框架
數據處理：ide