最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

python爬蟲實例詳解

 更新時間:2018年06月19日 10:34:44   作者:孫華強  
這篇文章主要為大家詳細介紹了python爬蟲實例,包括爬蟲技術(shù)架構(gòu),組成爬蟲的關(guān)鍵模塊,具有一定的參考價值,感興趣的小伙伴們可以參考一下

本篇博文主要講解Python爬蟲實例,重點包括爬蟲技術(shù)架構(gòu),組成爬蟲的關(guān)鍵模塊:URL管理器、HTML下載器和HTML解析器。

爬蟲簡單架構(gòu)

程序入口函數(shù)(爬蟲調(diào)度段)

#coding:utf8
import time, datetime

from maya_Spider import url_manager, html_downloader, html_parser, html_outputer


class Spider_Main(object):
 #初始化操作
 def __init__(self):
  #設(shè)置url管理器
  self.urls = url_manager.UrlManager()
  #設(shè)置HTML下載器
  self.downloader = html_downloader.HtmlDownloader()
  #設(shè)置HTML解析器
  self.parser = html_parser.HtmlParser()
  #設(shè)置HTML輸出器
  self.outputer = html_outputer.HtmlOutputer()

 #爬蟲調(diào)度程序
 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_content = self.downloader.download(new_url)
    new_urls, new_data = self.parser.parse(new_url, html_content)
    self.urls.add_new_urls(new_urls)
    self.outputer.collect_data(new_data)

    if count == 10:
     break

    count = count + 1
   except:
    print('craw failed')

  self.outputer.output_html()

if __name__ == '__main__':
 #設(shè)置爬蟲入口
 root_url = 'http://baike.baidu.com/view/21087.htm'
 #開始時間
 print('開始計時..............')
 start_time = datetime.datetime.now()
 obj_spider = Spider_Main()
 obj_spider.craw(root_url)
 #結(jié)束時間
 end_time = datetime.datetime.now()
 print('總用時:%ds'% (end_time - start_time).seconds)

URL管理器

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

網(wǎng)頁下載器

import urllib
import urllib.request

class HtmlDownloader(object):

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

  #偽裝成瀏覽器訪問,直接訪問的話csdn會拒絕
  user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
  headers = {'User-Agent':user_agent}
  #構(gòu)造請求
  req = urllib.request.Request(url,headers=headers)
  #訪問頁面
  response = urllib.request.urlopen(req)
  #python3中urllib.read返回的是bytes對象,不是string,得把它轉(zhuǎn)換成string對象,用bytes.decode方法
  return response.read().decode()

網(wǎng)頁解析器

import re
import urllib
from urllib.parse import urlparse

from bs4 import BeautifulSoup

class HtmlParser(object):

 def _get_new_urls(self, page_url, soup):
  new_urls = set()
  #/view/123.htm
  links = soup.find_all('a', href=re.compile(r'/item/.*?'))
  for link in links:
   new_url = link['href']
   new_full_url = urllib.parse.urljoin(page_url, new_url)
   new_urls.add(new_full_url)
  return new_urls

 #獲取標題、摘要
 def _get_new_data(self, page_url, soup):
  #新建字典
  res_data = {}
  #url
  res_data['url'] = page_url
  #<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>獲得標題標簽
  title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')
  print(str(title_node.get_text()))
  res_data['title'] = str(title_node.get_text())
  #<div class="lemma-summary" label-module="lemmaSummary">
  summary_node = soup.find('div', class_="lemma-summary")
  res_data['summary'] = summary_node.get_text()

  return res_data

 def parse(self, page_url, html_content):
  if page_url is None or html_content is None:
   return None

  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

網(wǎng)頁輸出器

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('maya.html', 'w', encoding='utf-8')
  fout.write("<head><meta http-equiv='content-type' content='text/html;charset=utf-8'></head>")
  fout.write('<html>')
  fout.write('<body>')
  fout.write('<table border="1">')
  # <th width="5%">Url</th>
  fout.write('''<tr style="color:red" width="90%">
     <th>Theme</th>
     <th width="80%">Content</th>
     </tr>''')
  for data in self.datas:
   fout.write('<tr>\n')
   # fout.write('\t<td>%s</td>' % data['url'])
   fout.write('\t<td align="center"><a href=\'%s\'>%s</td>' % (data['url'], data['title']))
   fout.write('\t<td>%s</td>\n' % data['summary'])
   fout.write('</tr>\n')
  fout.write('</table>')
  fout.write('</body>')
  fout.write('</html>')
  fout.close()

運行結(jié)果

附:完整代碼

以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

  • python中函數(shù)總結(jié)之裝飾器閉包詳解

    python中函數(shù)總結(jié)之裝飾器閉包詳解

    下面小編就為大家?guī)硪黄猵ython中函數(shù)總結(jié)之裝飾器閉包詳解。小編覺得挺不錯的,現(xiàn)在就分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2016-06-06
  • python爬蟲爬取筆趣網(wǎng)小說網(wǎng)站過程圖解

    python爬蟲爬取筆趣網(wǎng)小說網(wǎng)站過程圖解

    這篇文章主要介紹了python爬蟲爬取筆趣網(wǎng)小說網(wǎng)站過程圖解,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2019-11-11
  • Python中的split()、rsplit()、splitlines()的區(qū)別解析

    Python中的split()、rsplit()、splitlines()的區(qū)別解析

    Python提供了三種字符串分割的方法:split()、rsplit()和splitlines(),本文主要通過案例介紹這三種字符串分割函數(shù)的區(qū)別,感興趣的朋友一起看看吧
    2023-12-12
  • ITK 實現(xiàn)多張圖像轉(zhuǎn)成單個nii.gz或mha文件案例

    ITK 實現(xiàn)多張圖像轉(zhuǎn)成單個nii.gz或mha文件案例

    這篇文章主要介紹了ITK 實現(xiàn)多張圖像轉(zhuǎn)成單個nii.gz或mha文件案例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-07-07
  • Pygame坦克大戰(zhàn)游戲開發(fā)實戰(zhàn)詳解代碼

    Pygame坦克大戰(zhàn)游戲開發(fā)實戰(zhàn)詳解代碼

    《坦克大戰(zhàn)》以二戰(zhàn)坦克為題材,既保留了射擊類游戲的操作性,也改進了射擊類游戲太過于復雜難玩的高門檻特點,集休閑與競技于一身。經(jīng)典再度襲來,流暢的畫面,瘋狂的戰(zhàn)斗,讓玩家再次進入瘋狂坦克的世界。玩家的目標是控制坦克躲避危險,消滅掉所有的敵人即可進入下一關(guān)
    2022-02-02
  • Windows下anaconda安裝第三方包的方法小結(jié)(tensorflow、gensim為例)

    Windows下anaconda安裝第三方包的方法小結(jié)(tensorflow、gensim為例)

    conda的設(shè)計理念——conda將幾乎所有的工具、第三方包都當做package對待,甚至包括python和conda自身!因此,conda打破了包管理與環(huán)境管理的約束,能非常方便地安裝各種版本python、各種package并方便地切換
    2018-04-04
  • python基于tkinter圖形化編程實現(xiàn)簡易計算器功能

    python基于tkinter圖形化編程實現(xiàn)簡易計算器功能

    這篇文章主要為大家詳細介紹了python基于tkinter圖形化編程實現(xiàn)簡易計算器功能,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2022-07-07
  • python基于tkinter制作下班倒計時工具

    python基于tkinter制作下班倒計時工具

    這篇文章主要介紹了python基于tkinter制作倒計時工具的方法,幫助大家更好的理解和學習使用python,感興趣的朋友可以了解下
    2021-04-04
  • 基于Python 優(yōu)化 MUI標題欄

    基于Python 優(yōu)化 MUI標題欄

    這篇文章主要介紹的是基于Python 優(yōu)化 MUI標題欄,一個特色鮮明MUI界面無疑是能夠吸引用戶的關(guān)鍵之一,這利用css和JavaScript可以很快進行實現(xiàn),但是同時對于初學者來說也是困難的,下面文章就來學習幾個簡單的小技巧實現(xiàn)頁面美化吧,需要的朋友可以參考一下
    2021-11-11
  • python glom模塊的使用簡介

    python glom模塊的使用簡介

    這篇文章主要介紹了python glom模塊的使用簡介,幫助大家更好的利用python處理數(shù)據(jù),感興趣的朋友可以了解下
    2021-04-04

最新評論

台北县| 鄂托克前旗| 北海市| 科尔| 河南省| 林芝县| 庆城县| 武川县| 山西省| 江达县| 都江堰市| 城步| 九龙城区| 景宁| 隆安县| 巴彦淖尔市| 肥东县| 塔河县| 台中市| 新乡市| 泰来县| 恩平市| 彭泽县| 紫云| 太原市| 屏南县| 克山县| 花莲县| 波密县| 股票| 海伦市| 天峻县| 泗阳县| 武山县| 永定县| 宜兰县| 桦川县| 略阳县| 阿克陶县| 甘洛县| 元江|