码迷,mamicode.com
首页 > 编程语言 > 详细

python抓取360百科踩过的坑!

时间:2018-04-05 22:04:42      阅读:267      评论:0      收藏:0      [点我收藏+]

标签:manage   html_   实例化   type   解决   思考   入口   encoding   lis   

学习python一周,学着写了一个爬虫,用来抓取360百科的词条,在这个过程中。因为一个小小的修改,程序出现一些问题,又花了几天时间研究,问了各路高手,都没解决,终于还是自己攻克了,事实上就是对list列表理解不够深入导致的。这个bug非常有借鉴意义,分享出现。

先看看终于抓取出的结果:

技术分享图片

以下进入正题。先来看看文件结构。这里有5个模块:

  • spider_main.py是入口函数
  • url_manager.py是管理器,管理须要抓取的url和已经抓取的url
  • html_downloader.py是下载器,下载相应url的网页
  • html_parser.py是解析器,解析出新的url列表和当前的词条信息
  • html_outputer.py是输出器。将抓取的词条title和解释summary输出成一个html表格

本程序使用的是最新的python3.4.4。使用的类库有:

  • 官方的urllib
  • 第三方的BeautifulSoup(自行下载安装)

技术分享图片

一、spider_main.py

这个函数是入口函数,全部方法都是字面意思,能够到相应的类中查看

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

管理器的作用是处理新的须要抓取的url和已经抓取的url,因此在构造函数里面初始化两个变量,相应有4个方法,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

把相应的url网页下载下来,准备给解析器解析须要的数据
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

解析器的作用是对传入的url和html网页进行解析。使用到BeautifulSoup第三方库,相应有两个私有方法,一个解析出该网页下全部的链接。存到list中,方便下次随机抽取。还有一个解析出当前网页词条的title和summary,放到一个字典中。里面有3个key:url、title和summary。
在这个类里面踩了一个大坑,最后再讲!

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
        # <span class="title">Python</span>
        title_node = soup.find(‘span‘, class_=‘title‘)
        res_data[‘title‘] = title_node.get_text()
        # <div class="card_content" id="js-card-content">
        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

输出器的作用是把解析器解析出的网页字典存入列表。然后循环输出一个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(‘<html>‘)
        fout.write("<head><meta http-equiv=\"content-type\" content=\"text/html;charset=utf-8\"></head>")
        fout.write(‘<body>‘)
        fout.write(‘<table border=1 cellspacing=0>‘)
        for data in self.datas:
            fout.write(‘<tr>‘)
            fout.write(‘<td><a href="%s">%s</a></td>‘ % (data[‘url‘], data[‘title‘]))
            fout.write(‘<td>%s</td>‘ % data[‘summary‘])
            fout.write(‘</tr>‘)
        fout.write(‘</table>‘)
        fout.write(‘</body>‘)
        fout.write(‘</html>‘)
        fout.close()

六、*****关键。我踩过的坑!

!!!

我把解析器里面的res_data字典的初始化放到了构造函数里面,造成的结果是输出的表格是5个反复的数据,都是和最后一组一样。!

喜欢思考的同学能够想想是为什么?

原因分析:

这要涉及到list列表和字典的性质了
首先,字典的key相应的value是不可变的,假设强行又一次赋值,会覆盖上次的数据!

其次。list列表存在的是数据的引用(指针),这个非常关键(https://blog.slinuxer.com/2014/05/python-list-dict-tuple-file)。以下举例分析下出错的过程:
①第1次抓取后,res_data指向了字典{‘a‘: 1}
res_data传入输出器后,self.datas列表内容也指向了字典{‘a‘: 1}
③第2次抓取后,解析器里面对a又一次赋新值2了,此时事实上是res_data指向了新的字典{‘a‘: 2}。因为原指向的key一样,也一起变成了字典{‘a‘: 2},此时事实上self.datas列表的指向也变成了原字典{‘a‘: 2}(假设你在入口函数断点查看,会出现一个奇葩的事。就是执行完解析器,可是还没执行输出器时,输出器的self.datas已经变成和新解析出的值一样了。!。当时我纠结了几天
④当res_data再次传入输出器后,会被加入后self.datas列表后面,因为原来里面的字典已经变成了{‘a‘: 2},全部此时会出现2个{‘a‘: 2},即
? ?self.datas = [{‘a‘: 2},?{‘a‘: 2}]
⑤如此循环抓取5次,终于self.datas里面是5个一样的字典。并且都和最后一次抓取的一样!

那么你可能会问,为什么把res_data初始化放在私有方法_get_new_data里面就没问题呢?因为初始化在这里,每实例化一次解析器,就又一次执行一次这个函数。也会清空res_data字典,因此和原来指向的字典断开了,又一次赋值也不会影响到原来的字典了。


python抓取360百科踩过的坑!

标签:manage   html_   实例化   type   解决   思考   入口   encoding   lis   

原文地址:https://www.cnblogs.com/zhchoutai/p/8724344.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!