Python実戦(一)——Python編纂ネット爬虫類
4622 ワード
実戦コンテンツはloginを必要としない静的ページに対して這い出す.ログイン、ajax非同期ロードの内容をキャプチャしないでください.
一、キャプチャプログラムの主要モジュール構成
1、urlマネージャ:キャプチャ済み、未キャプチャのurl接続を管理し、重複、循環キャプチャを避ける
2、ウェブダウンロードurllib 2:urlウェブデータをダウンロードする
3、Web解析器BeautifulSoup:ダウンロードしたWebページを解析し、主なデータを抽出する
二、考え方をつかむ
1、ルートurlからすべての関連するn個のurlにアクセスし、順番に登る.
2、urlマネージャのストレージ方式:
メモリメモリ:set pythonのset直接重複データを除去する
db:mysql url iscrawl
キャッシュ:redisが這い出すset
3、Webダウンロード
urllib 2のWebページのダウンロード方法
4、ページ解析器
正則マッチング、html.parser、BeautifalSoupプラグイン、lxml
三、各モジュールコード
1、urlマネージャ
2、Webダウンロード
3、ホームページ解析器
4、解析データ出力器
5、main起動
一、キャプチャプログラムの主要モジュール構成
1、urlマネージャ:キャプチャ済み、未キャプチャのurl接続を管理し、重複、循環キャプチャを避ける
2、ウェブダウンロードurllib 2:urlウェブデータをダウンロードする
3、Web解析器BeautifulSoup:ダウンロードしたWebページを解析し、主なデータを抽出する
二、考え方をつかむ
1、ルートurlからすべての関連するn個のurlにアクセスし、順番に登る.
2、urlマネージャのストレージ方式:
メモリメモリ:set pythonのset直接重複データを除去する
db:mysql url iscrawl
キャッシュ:redisが這い出すset
3、Webダウンロード
urllib 2のWebページのダウンロード方法
4、ページ解析器
正則マッチング、html.parser、BeautifalSoupプラグイン、lxml
三、各モジュールコード
1、urlマネージャ
#coding:utf-8
class UrlManager(object):
# set , url
def __init__(self):
self.new_urls=set()
self.old_urls=set()
# url
def add_new_url(self,url):# 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)
# n 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()# set url
self.old_urls.add(new_url)
return new_url
2、Webダウンロード
#coding:utf-8
class HtmlDownloader(object):
def download(self,url):
if url is None:
return None
responce=urllib2.urlopen(url)
if responce.getcode!=200:
return None
return reponce.read()
3、ホームページ解析器
#coding:utf-8
class HtmlParser(object):
# a url
def _get_new_urls(self, page_url, soup):
new_urls=set()
#/view/123.htm url,
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) # 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
title_node=soup.find('dd',className='class-title').find('h1')
res_data['title']=title_node.get_text()
summary_node=soup.find('div',className='class-summary')
res_data['summary']=summary_node.get_text()
return res_data
def parse(self,parse_url,html_content):
if page_url is None or html_content is None:
return
soup=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
4、解析データ出力器
#coding:utf-8
class HtmlOutPuter(object):
def __init__(self):
self.datas=[] #list ,
def collect_data(self,data):
if data is None:
return
self.datas.append(data)
def output_html(self):
fout=open('output.html','w')#дģʽ
fout.write("")
fout.write("")
fout.write("")
for data in self.datas:
fout.write(""%data['url'])
fout.write(""%data['title'],encode('utf-8'))
fout.write(""%data['summary'],encode('utf-8'))
fout.write("%s %s %s
")
fout.write("")
fout.write("")
fout.close()
5、main起動
#coding:utf-8
#1 url /view/bai/ url
#2
class SpiderMain(object):
#
def _init_(self):
self.urls=url_manager.UrlManager()
self.downloader=html_downloader.HtmlDownloader()
self.parser=html_parser.HtmlParser()
self.outputer=html_output.HtmlOutputer()
def crawl(self, root_url):
pass
#main
if __name__=='_main_':
root_url='http://baike.baidu.com/link?url=aj_RuPg5N5xQOJuE6iVlpwpkViTYB-agGx-CdgJPaW9H9fMDDrEajQt9ZDLBX0fRoOoGwrjkVYjm1vpMpMNLFa'
obj_spider=SpiderMain()
obj_spider.crawl(root_url) #ctr+1 、