码迷,mamicode.com
首页 > Web开发 > 详细

003 在eclipse编写第一个项目:网页爬虫

时间:2016-05-11 20:00:12      阅读:1381      评论:0      收藏:0      [点我收藏+]

标签:windows   验证码   package   服务器   import   

说明:支持中文 # coding=gbk

创建项目:File->New->Project->PyDev->PyDev Project

        新建项目名称:任意。新建package名称:wangyepachong

        创建5个Module文件:

在项目中用到的所有模块,都需要在eclipse中添加:windows->preferences->PyDev->Interpreters->Python Interpreter   找到Forced Builtins 中添加需要导入的模块:

    比如:bs4  urllib2  re  等


html_dowanloader.py

html_outputer.py

html_parser.py

spider_main.py

url_manager.py



第一个文件:spider_main.py


# coding=gbk


‘‘‘

简单爬虫架构

URL管理器

网页下载器,urllib2

网页解析器:BeautifulSoup


这只是最简单的爬虫!!!

--后期,需要登录的,验证码,Ajax,服务器防爬虫,多线程,分布式

‘‘‘


import __main__

from wangyepachong import url_manager

from wangyepachong import html_downloader

from wangyepachong import html_parser

from wangyepachong import 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,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 ‘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.collectdata(new_data)

                

                if count == 1000:

                    break

                count = count + 1

            except:

                print ‘craw faild‘

        self.outputer.output_html()

            

if __main__ =="__main__":

    root_url = "http://baike.baidu.com/view/21087.htm"

    obj_spider = SpiderMain()

    obj_spider.craw(root_url)

第二个文件:html_dowanloader.py   

# coding=gbk


import urllib2

class HtmlDownloader(object):

    def download(self,url):

        if url is None:

            return None

        

        response = urllib2.urlopen(url)

        

        if response.getcode() != 200:

            return None

        return response.read()

    

第三个文件:html_parser.py

# coding=gbk

from bs4 import BeautifulSoup

import re

import urlparse



class HtmlParser(object):

    

    def parse(self,page_url,html_cont):

        if page_url is None or html_cont is None:

            return

        

        soup = BeautifulSoup(html_cont,‘html.parser‘,form_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    

    

    

    def _get_new_urls(self,page_url,soup):

        new_urls = set()

        #/view/123.htm

        links = soup.find_all(‘a‘,href=re.compile(r"/view/\d+\.htm"))

        for link in links:

            new_url = link[‘href‘]

            new_full_url = urlparse.urljoin(page_url,new_url)

            new_urls.add(new_full_url)

        return new_urls

    

    def _get_new_data(self,page_url,soup):

        #创建一个字典,用于存放数据

        res_data ={}

        #

        res_data[‘url‘]= page_url

        #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>

        title_node = soup.find(‘dd‘,class_="lemmaWgt-lemmaTitle-title").find("h1")

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

        

        summary_node = soup.find(‘div‘,class_="lemma-summary")

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

        return res_data    

    

第四个文件:url_manager.py

# coding=gbk


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

               

第五个文件:html_outputer.py  

# coding=gbk


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‘)

        fout.write("<html>")

        fout.write("<body>")

        fout.write("<table>")

         

        for data in self.datas:

            fout.write("<tr>")

            fout.write("<td>%s</td>" % data[‘url‘])

            fout.write("<td>%s</td>" % data[‘title‘].encode(‘utf-8‘))

            fout.write("<td>%s</td>" % data[‘summary‘].encode(‘utf-8‘))  

            fout.write("</tr>")

        fout.write("</table>")

        fout.write("</body>")


         

            

问题1:编写完成后有条语句报错,但是后期自己就没有问题了

      title_node = soup.find(‘dd‘,class_="lemmaWgt-lemmaTitle-title").find("h1")  

问题2:目前代码没有报错,但是不能运行,可能因为逻辑没有完全分析清楚,后期再修改细节,使该项目可以运行   

    

    

        

        

        


本文出自 “野山羊” 博客,请务必保留此出处http://yeshanyang.blog.51cto.com/8845896/1772308

003 在eclipse编写第一个项目:网页爬虫

标签:windows   验证码   package   服务器   import   

原文地址:http://yeshanyang.blog.51cto.com/8845896/1772308

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!