日韩性视频-久久久蜜桃-www中文字幕-在线中文字幕av-亚洲欧美一区二区三区四区-撸久久-香蕉视频一区-久久无码精品丰满人妻-国产高潮av-激情福利社-日韩av网址大全-国产精品久久999-日本五十路在线-性欧美在线-久久99精品波多结衣一区-男女午夜免费视频-黑人极品ⅴideos精品欧美棵-人人妻人人澡人人爽精品欧美一区-日韩一区在线看-欧美a级在线免费观看

歡迎訪問 生活随笔！

生活随笔

當前位置： 首頁 > 编程语言 > python >内容正文

python

Python进阶(二十)Python爬虫实例讲解

發布時間：2023/12/10 python 29 豆豆
生活随笔 收集整理的這篇文章主要介紹了 Python进阶(二十)Python爬虫实例讲解 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

文章目錄

    • 一、前言
    • 二、爬蟲簡單架構
    • 三、程序入口函數(爬蟲調度段)
    • 四、URL管理器
    • 五、網頁下載器
    • 六、網頁解析器
    • 七、網頁輸出器
    • 八、運行結果
    • 九、拓展閱讀

一、前言

本篇博文主要講解Python爬蟲實例，重點包括爬蟲技術架構，組成爬蟲的關鍵模塊：URL管理器、HTML下載器和HTML解析器。

二、爬蟲簡單架構

三、程序入口函數(爬蟲調度段)

#coding:utf8 import time, datetimefrom maya_Spider import url_manager, html_downloader, html_parser, html_outputerclass Spider_Main(object):#初始化操作def __init__(self):#設置url管理器self.urls = url_manager.UrlManager()#設置HTML下載器self.downloader = html_downloader.HtmlDownloader()#設置HTML解析器self.parser = html_parser.HtmlParser()#設置HTML輸出器self.outputer = html_outputer.HtmlOutputer()#爬蟲調度程序def craw(self, root_url):count = 1self.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_content = self.downloader.download(new_url)new_urls, new_data = self.parser.parse(new_url, html_content)self.urls.add_new_urls(new_urls)self.outputer.collect_data(new_data)if count == 10:breakcount = count + 1except:print('craw failed')self.outputer.output_html()if __name__ == '__main__':#設置爬蟲入口root_url = 'http://baike.baidu.com/view/21087.htm'#開始時間print('開始計時..............')start_time = datetime.datetime.now()obj_spider = Spider_Main()obj_spider.craw(root_url)#結束時間end_time = datetime.datetime.now()print('總用時：%ds'% (end_time - start_time).seconds)

四、URL管理器

class UrlManager(object):def __init__(self):self.new_urls = set()self.old_urls = set()def add_new_url(self, url):if url is None:returnif 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:returnfor url in urls:self.add_new_url(url)def has_new_url(self):return len(self.new_urls) != 0def get_new_url(self):new_url = self.new_urls.pop()self.old_urls.add(new_url)return new_url

五、網頁下載器

import urllib import urllib.requestclass HtmlDownloader(object):def download(self, url):if url is None:return None#偽裝成瀏覽器訪問，直接訪問的話csdn會拒絕user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = {'User-Agent':user_agent}#構造請求req = urllib.request.Request(url,headers=headers)#訪問頁面response = urllib.request.urlopen(req)#python3中urllib.read返回的是bytes對象，不是string,得把它轉換成string對象，用bytes.decode方法return response.read().decode()

六、網頁解析器

import re import urllib from urllib.parse import urlparsefrom bs4 import BeautifulSoupclass HtmlParser(object):def _get_new_urls(self, page_url, soup):new_urls = set()#/view/123.htmlinks = soup.find_all('a', href=re.compile(r'/item/.*?'))for link in links:new_url = link['href']new_full_url = urllib.parse.urljoin(page_url, new_url)new_urls.add(new_full_url)return new_urls#獲取標題、摘要def _get_new_data(self, page_url, soup):#新建字典res_data = {}#urlres_data['url'] = page_url#<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>獲得標題標簽title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')print(str(title_node.get_text()))res_data['title'] = str(title_node.get_text())#<div class="lemma-summary" label-module="lemmaSummary">summary_node = soup.find('div', class_="lemma-summary")res_data['summary'] = summary_node.get_text()return res_datadef parse(self, page_url, html_content):if page_url is None or html_content is None:return Nonesoup = BeautifulSoup(html_content, '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

七、網頁輸出器

class HtmlOutputer(object):def __init__(self):self.datas = []def collect_data(self, data):if data is None:returnself.datas.append(data )def output_html(self):fout = open('maya.html', 'w', encoding='utf-8')fout.write("<head><meta http-equiv='content-type' content='text/html;charset=utf-8'></head>")fout.write('<html>')fout.write('<body>')fout.write('<table border="1">')# <th width="5%">Url</th>fout.write('''<tr style="color:red" width="90%"><th>Theme</th><th width="80%">Content</th></tr>''')for data in self.datas:fout.write('<tr>\n')# fout.write('\t<td>%s</td>' % data['url'])fout.write('\t<td align="center"><a href=\'%s\'>%s</td>' % (data['url'], data['title']))fout.write('\t<td>%s</td>\n' % data['summary'])fout.write('</tr>\n')fout.write('</table>')fout.write('</body>')fout.write('</html>')fout.close()

八、運行結果

九、拓展閱讀

  • 完整代碼

總結

以上是生活随笔為你收集整理的Python进阶(二十)Python爬虫实例讲解的全部內容，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。