初试 pyhton 简易采集

标签：

一。安装软件（用eclispe 搭建好环境好，没有取省自动补全编写代码会很卡，最后选用sumblie）

eclispe  用的windows 32 4.31
python  用的 4.3.3  下载地址
pydev  用的2.4`

二。目录结构

三.各模块代码 ，调度器 spider_main.py, url管理器 url_manager.py, 网页下载器 html_downloader.py, 网页数据解析器 html_parser.py

采集数据输出 html_outputer.py

1.spider_main.py

import sys
import os
curPath = os.path.abspath(os.path.dirname(__file__))
rootPath = os.path.split(curPath)[0]
sys.path.append(rootPath)
from baike_spider import url_manager, html_downloader, html_parser,html_outputer

class SpiderMain(object):
    def __init__(self):
        # url 管理器， 模板下载器，下载数据解析器，解析数据输入器。 模块调度器
        self.urls = url_manager.UrlManager()   
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()


    def craw(self,root_url):    
        count = 1
        self.urls.add_new_url(root_url)
            
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print (count,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 == 10:
                    break

                count = count + 1

            except:
                print (‘craw fail‘)    
                        
        self.outputer.output_html()    



if __name__ =="__main__":
    root_url = "http://baike.baidu.com/view/21087.htm"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)       

2.url_manager.py

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

3. html_downloader.py

import urllib.request
#print (urllib.request)
class HtmlDownloader(object):

    def download(self,url):
        if url is None:
            return None

        response = urllib.request.urlopen(url)    

        if response.getcode() != 200:
            return None
        return response.read()
#obj = HtmlDownloader()
#obj.download("http://baike.bai du.com/view/21087.htm")

4.html_parser.py

from bs4 import BeautifulSoup
import re
#import urlparse
#import urllib.request

class HtmlParser(object):

    def _get_new_urls(self,page_url,soup):
        new_urls = set()
        links = soup.find_all("a",href=re.compile(r"/view/\d+\.htm"))
        for link in links:
            new_url = link[‘href‘]
#            print(new_url)
            new_full_url = "http://baike.baidu.com"+new_url
#            print (new_full_url)
            new_urls.add(new_full_url)
            
        return new_urls

    def _get_new_data(self,page_url,soup):
            res_data = {}
            res_data[‘url‘] = page_url
            ttile_node = soup.find(‘dd‘,class_="lemmaWgt-lemmaTitle-title").find("h1")
            
            res_data[‘title‘] = ttile_node.get_text()
    
            summary_node = soup.find("div",class_="lemma-summary")
            res_data[‘summary‘] = summary_node.get_text()
            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")
#        print (soup)
        new_urls = self._get_new_urls(page_url,soup)
#        print (new_urls)
        new_data = self._get_new_data(page_url,soup)
        return new_urls, new_data    
    
#test = HtmlParser()
#response = urllib.request.urlopen("http://baike.baidu.com/view/21087.htm")
#test.parse("http://baike.baidu.com/view/21087.htm",response.read())   

5.html_outputer.py

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):
        
#        print(self.datas)
        fout = open(‘output.html‘,"w")

        fout.write("<html>")            
        fout.write("<body>")            
        fout.write("<table>")

        for data in self.datas:
            # print(data[‘url‘])
            # print(data[‘title‘])
            # print(data[‘summary‘])
            fout.write("<tr>")
            fout.write("<td>%s</td>" % data[‘url‘].encode(‘utf-8‘).decode("utf-8"))            
            fout.write("<td>%s</td>" % data[‘title‘].encode(‘utf-8‘).decode("utf-8"))            
            # fout.write("<td>%s</td>" % data[‘summary‘].encode(‘utf-8‘).decode("utf-8"))        
            fout.write("</tr>")    
                    
        fout.write("</table>")            
        fout.write("</body>")            
        fout.write("</html>")            
        
submlie 中 Ctrl+B 运行。

初试 pyhton 简易采集

标签：

原文地址：http://www.cnblogs.com/zx1980931/p/5106180.html