码迷,mamicode.com
首页 > 编程语言 > 详细

Python 开发轻量级爬虫08

时间:2016-09-05 09:09:41      阅读:150      评论:0      收藏:0      [点我收藏+]

标签:

Python 开发轻量级爬虫

(imooc总结08--爬虫实例--分析目标)

怎么开发一个爬虫?开发一个爬虫包含哪些步骤呢?

1.确定要抓取得目标,即抓取哪些网站的哪些网页的哪部分数据。
本实例确定抓取Python百度百科词条页面以及相关词条页面的标题和简介。

2.分析这个目标,即需要确定抓取这些网站数据的策略。
有三部分需要分析。
1)需要分析这些目标页面的url格式,用来限定我们要抓取页面的范围。
    如果这个范围不进行限定的话,我们的爬虫就会抓取互联网上很多不相关的网页,造成资源的浪费。
2)我们需要分析要抓取得数据格式。
    在本实例中就要分析,每一个词条页面中标题和简介。这两个数据在标签中的格式。
3)分析页面的编码。
    在我们代码的解析器这部分,需要指定网页的编码,才能够正确的解析。在分析完目标格式以后,
我们进行代码的编写。在代码的解析器这部分,就需要使用到前面分析目标这个步骤所得到的抓取策略结果。

3.执行爬虫,进行数据的抓取。

从这些步骤中,我们可以看到分析目标,即制定抓取目标数据的策略是非常重要的一部分。打开我们爬虫的
入口页,也就是python百度百科词条页面。

我们来分析一下抓取这个页面以及相关页面的数据,它的抓取策略是什么?

首先这个页面的url是 http://baike.baidu.com/view/21087.htm

我们来看一下,相关词条页面的url是什么形式?
    在这个页面中,任意的词条之上,右键审查元素,可以看到都是/view/xxxx.htm,这是一个不完整的url,
在代码中需要在其前面加上baike.baidu.com,把它拼成一个完整的url,才能进行后续的访问。这就是我们得
到的url格式。
然后,我们来看一下要抓取的标题和简介数据标签格式?
    首先我们在python标题上右键审查元素?简介上右键?查看编码格式?通过右键审查元素这种方式,我们就
得到了抓取python以及相关词条网页的url格式、数据格式、网页编码,即得到了抓取这些网站数据的抓取策略。

目标:百度百科python词条相关词条网页 – 标题和简介

入口页: http://baike.baidu.com/view/21087.htm

url格式:
    词条页面url:/view/125370.htm
数据格式:
    标题:
        <dd class="lemmaWgt-lemmaTitle-title">
        <h1>Python</h1>
        </dd>
    简介:
        <div class="lemma-summary" label-module="lemmaSummary"></div>
    页面编码:utf-8
以上就是我们获得抓取python和相关词条网页的抓取策略,这里需要提醒大家的是,每一个互联网的网站
都会不停升级它的格式。作为一个定向爬虫来说,如果一个网站的格式发生了升级,我们的抓取策略随即升
级。
本实例给出的代码,如果运行出错的话可能是网站的格式发生了升级,我们需要打开目标网站,重新制定新
的策略,修改代码后才能够重新运行。

调度程序
    编写实例代码,爬取百度百科python词条页面以及相关1000个页面数据。
创建一个 baike_spider来存放python代码,创建所需要的模块。

创建spider_main.py  -- 爬虫的总调度程序
url_manager  -- url管理器
html_downloader – 下载器
html_parser – 解析器
html_outputer
    – 本代码将所有搜集好的数据写出到一个html页面中,打开一个页面就可以看到所有已经爬取好的数据

spider_main.py
    爬虫总调度程序,会以一个入口的url作为参数来爬取所有的相关的页面。
编写main函数,在main函数中,设置下要爬取的入口url  http://baike.baidu.com/view/21087.htm
创建一个obj_spider = SpiderMain()

首先我们将入口url添加到url管理器,url管理器中已经有了待爬取的url。
当url管理器已经有了待爬取的url的时候,获取一个待爬取的url。
获取之后,我们启动一个下载器下载这个页面, 结果存储在html_cont中。
下载好了页面。我们调用解析器解析这个页面数据,得到新的url列表和新的数据。

解析器
    我们传入两个参数,当前爬取的url和下载好的页面数据。
    解析出来的两个数据 url和数据,进行分别处理。
    将url添加进url管理器,将数据输出并收集。
    这样如果有一个待爬取的url,我们的爬虫就能够爬取所有的url。
最后调用输出收集好的数据。

Python 开发轻量级爬虫08

标签:

原文地址:http://www.cnblogs.com/billyzh/p/5841030.html

(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!