學習python一周，學著寫了一個爬蟲，用來抓取360百科的詞條，在這個過程中。因為一個小小的修改，程序出現一些問題，又花了幾天時間研究，問了各路高手，都沒解決，終于還是自己攻克了，事實上就是對list列表理解不夠深入導致的。這個bug非常有借鑒意義，分享出現。

先看看終于抓取出的結果：

以下進入正題。先來看看文件結構。這里有5個模塊：

spider_main.py是入口函數

url_manager.py是管理器，管理須要抓取的url和已經抓取的url

html_downloader.py是下載器，下載相應url的網頁

html_parser.py是解析器，解析出新的url列表和當前的詞條信息

html_outputer.py是輸出器。將抓取的詞條title和解釋summary輸出成一個html表格

本程序使用的是最新的python3.4.4。使用的類庫有：

官方的urllib

第三方的BeautifulSoup(自行下載安裝)

一、spider_main.py

這個函數是入口函數，全部方法都是字面意思，能夠到相應的類中查看

from baike360_spider import url_manager, html_downloader, html_parser, html_outputer

class SpiderMain(object):

def __init__(self):

self.urls = url_manager.UrlManager()

self.downloader = html_downloader.HtmlDownloader()

self.parser = html_parser.HtmlParser()

self.outputer = html_outputer.HtmlOutputer()

def craw(self):

count = 1

self.urls.add_new_url(root_url)

while self.urls.has_new_url():

try:

new_url = self.urls.get_new_url()

print(‘craw %d: %s‘ % (count, new_url))

html_cont = self.downloader.download(new_url)

new_urls, new_data = self.parser.parse(new_url, html_cont)

self.urls.add_new_urls(new_urls)

self.outputer.collect_data(new_data)

if count == 5:

break

count += 1

except Exception as e:

print(‘craw failed‘)

print(e)

self.outputer.output_html()

if __name__ == ‘__main__‘:

root_url = ‘http://baike.so.com/doc/1790119-1892991.html‘

obj_spider = SpiderMain()

obj_spider.craw()

二、url_manager.py

管理器的作用是處理新的須要抓取的url和已經抓取的url，因此在構造函數里面初始化兩個變量，相應有4個方法，功能都非常easy，看看就懂。

class UrlManager(object):

def __init__(self):

self.new_urls = set()

self.old_urls = set()

def add_new_url(self, url):

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):

if urls is None or len(urls) == 0:

return

for url in urls:

self.add_new_url(url)

def has_new_url(self):

return len(self.new_urls) != 0

def get_new_url(self):

new_url = self.new_urls.pop()

self.old_urls.add(new_url)

return new_url

三、html_downloader.py

把相應的url網頁下載下來，準備給解析器解析須要的數據

import urllib.request

class HtmlDownloader(object):

def download(self, url):

if url is None:

return

res = urllib.request.urlopen(url)

if res.getcode() != 200:

return

return res.read()

四、html_parser.py

解析器的作用是對傳入的url和html網頁進行解析。使用到BeautifulSoup第三方庫，相應有兩個私有方法，一個解析出該網頁下全部的鏈接。存到list中，方便下次隨機抽取。還有一個解析出當前網頁詞條的title和summary，放到一個字典中。里面有3個key：url、title和summary。

在這個類里面踩了一個大坑，最后再講！

import re

from urllib.parse import urljoin

from bs4 import BeautifulSoup

class HtmlParser(object):

def __init__(self):

self.new_urls = set()

# self.res_data = dict()

def _get_new_urls(self, page_url, soup):

# new_urls = set()

# /doc/5912108-6125016.html或/doc/3745498.html

links = soup.find_all(‘a‘, href=re.compile(r‘/doc/[\d-]+\.html‘))

for link in links:

new_url = link[‘href‘]

new_full_url = urljoin(page_url, new_url)

# print(new_full_url)

self.new_urls.add(new_full_url)

return self.new_urls

def _get_new_data(self, page_url, soup):

res_data = dict()

# url

res_data[‘url‘] = page_url

# Python

title_node = soup.find(‘span‘, class_=‘title‘)

res_data[‘title‘] = title_node.get_text()

#

summary_node = soup.find(‘div‘, class_=‘card_content‘).find(‘p‘)

res_data[‘summary‘] = summary_node.get_text()

# print("dd: ", self.res_data)

return res_data

def parse(self, page_url, html_cont):

if page_url is None or html_cont is None:

return

soup = BeautifulSoup(html_cont, ‘html.parser‘, from_encoding=‘utf-8‘)

new_urls = self._get_new_urls(page_url, soup)

new_data = self._get_new_data(page_url, soup)

return new_urls, new_data

五、html_outputer.py

輸出器的作用是把解析器解析出的網頁字典存入列表。然后循環輸出一個html表格

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.html‘, ‘w‘, encoding=‘utf-8‘)

fout.write(‘‘)

fout.write("

")

fout.write(‘

‘)

fout.write(‘

for data in self.datas:

fout.write(‘

‘)

fout.write(‘

%s‘ % (data[‘url‘], data[‘title‘]))

fout.write(‘

%s‘ % data[‘summary‘])

fout.write(‘

‘)

fout.write(‘

‘)

fout.write(‘‘)

fout.write(‘‘)

fout.close()

六、*****關鍵。我踩過的坑！

！！！

我把解析器里面的res_data字典的初始化放到了構造函數里面，造成的結果是輸出的表格是5個反復的數據，都是和最后一組一樣。！

喜歡思考的同學能夠想想是為什么？

原因分析：

這要涉及到list列表和字典的性質了

首先，字典的key相應的value是不可變的，假設強行又一次賦值，會覆蓋上次的數據！

①第1次抓取后，res_data指向了字典{‘a‘: 1}

②res_data傳入輸出器后，self.datas列表內容也指向了字典{‘a‘: 1}

③第2次抓取后，解析器里面對a又一次賦新值2了，此時事實上是res_data指向了新的字典{‘a‘:

2}。因為原指向的key一樣，也一起變成了字典{‘a‘: 2}，此時事實上self.datas列表的指向也變成了原字典{‘a‘:

2}(假設你在入口函數斷點查看，會出現一個奇葩的事。就是執行完解析器，可是還沒執行輸出器時，輸出器的self.datas已經變成和新解析出的值一樣了。！。當時我糾結了幾天)

④當res_data再次傳入輸出器后，會被加入后self.datas列表后面，因為原來里面的字典已經變成了{‘a‘:

2}，全部此時會出現2個{‘a‘: 2}，即

?

?self.datas = [{‘a‘: 2},?{‘a‘: 2}]

⑤如此循環抓取5次，終于self.datas里面是5個一樣的字典。并且都和最后一次抓取的一樣！

那么你可能會問，為什么把res_data初始化放在私有方法_get_new_data里面就沒問題呢？因為初始化在這里，每實例化一次解析器，就又一次執行一次這個函數。也會清空res_data字典，因此和原來指向的字典斷開了，又一次賦值也不會影響到原來的字典了。

總結

以上是生活随笔為你收集整理的python360百科_python抓取360百科踩过的坑！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。