为了账号安全,请及时绑定邮箱和手机立即绑定

抓取几条URL后就没反应了,怎么回事

#coding:utf-8

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()


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("<head><meta charset='utf-8'></head>")
        fout.write('<table>')
        
        # ascii in python
        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>')
        fout.write('</html>')
        
        fout.close()




from bs4 import BeautifulSoup
import re
import urlparse


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"/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):
        res_data = {}
        
        #url
        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()
        
        #<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_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



class UrlManager(object):
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()
     
    def add_new_url(self,url):
        if url is None:
            print 'no new url'
            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



class SpiderMain(object):
    def __init__(self):
        self.urls = UrlManager()
        self.downloader = HtmlDownloader()
        self.parser = HtmlParser()
        self.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.collect_data(new_data)
                    
                if count == 20:
                    break
                    
               

            except:
                print 'craw failed'


            count = count + 1
            
            
        self.outputer.output_html()



if __name__ == "__main__":
    root_url = "http://baike.baidu.com/view/21087.htm"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

我把数量设为20,运行了几次,每次抓取的条数都不一样,有两次是成功爬取20条的

以下是测试结果

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm
craw 4 : http://baike.baidu.com/view/10812277.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm
craw 4 : http://baike.baidu.com/view/10812277.htm
craw 5 : http://baike.baidu.com/view/32571.htm
craw 6 : http://baike.baidu.com/view/757238.htm
craw 7 : http://baike.baidu.com/view/2888099.htm
craw 8 : http://baike.baidu.com/view/1369367.htm
craw 9 : http://baike.baidu.com/view/737.htm
craw 10 : http://baike.baidu.com/view/38648.htm
craw 11 : http://baike.baidu.com/view/230750.htm
craw 12 : http://baike.baidu.com/view/560583.htm
craw 13 : http://baike.baidu.com/view/902.htm
craw 14 : http://baike.baidu.com/view/18979.htm
craw 15 : http://baike.baidu.com/view/1158766.htm
craw 16 : http://baike.baidu.com/view/7977.htm
craw 17 : http://baike.baidu.com/view/1298929.htm
craw 18 : http://baike.baidu.com/view/642401.htm
craw 19 : http://baike.baidu.com/view/52940.htm
craw 20 : http://baike.baidu.com/view/449909.htm
>>> 
==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm
craw 4 : http://baike.baidu.com/view/10812277.htm
craw 5 : http://baike.baidu.com/view/32571.htm
craw 6 : http://baike.baidu.com/view/757238.htm
craw 7 : http://baike.baidu.com/view/2888099.htm
craw 8 : http://baike.baidu.com/view/1369367.htm
craw 9 : http://baike.baidu.com/view/737.htm
craw 10 : http://baike.baidu.com/view/38648.htm
craw 11 : http://baike.baidu.com/view/230750.htm
craw 12 : http://baike.baidu.com/view/560583.htm
craw 13 : http://baike.baidu.com/view/902.htm
craw 14 : http://baike.baidu.com/view/18979.htm
craw 15 : http://baike.baidu.com/view/1158766.htm
craw 16 : http://baike.baidu.com/view/7977.htm
craw 17 : http://baike.baidu.com/view/1298929.htm
craw 18 : http://baike.baidu.com/view/642401.htm
craw 19 : http://baike.baidu.com/view/52940.htm
craw 20 : http://baike.baidu.com/view/449909.htm
>>> 
==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm
craw 4 : http://baike.baidu.com/view/10812277.htm
craw 5 : http://baike.baidu.com/view/32571.htm
craw 6 : http://baike.baidu.com/view/757238.htm
craw 7 : http://baike.baidu.com/view/2888099.htm
craw 8 : http://baike.baidu.com/view/1369367.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm
craw 4 : http://baike.baidu.com/view/10812277.htm
craw 5 : http://baike.baidu.com/view/32571.htm
craw 6 : http://baike.baidu.com/view/757238.htm
craw 7 : http://baike.baidu.com/view/2888099.htm
craw 8 : http://baike.baidu.com/view/1369367.htm
craw 9 : http://baike.baidu.com/view/737.htm
craw 10 : http://baike.baidu.com/view/38648.htm
craw 11 : http://baike.baidu.com/view/230750.htm
craw 12 : http://baike.baidu.com/view/560583.htm
craw 13 : http://baike.baidu.com/view/902.htm
craw 14 : http://baike.baidu.com/view/18979.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm
craw 3 : http://baike.baidu.com/view/53557.htm
craw 4 : http://baike.baidu.com/view/10812277.htm
craw 5 : http://baike.baidu.com/view/32571.htm
craw 6 : http://baike.baidu.com/view/757238.htm
craw 7 : http://baike.baidu.com/view/2888099.htm
craw 8 : http://baike.baidu.com/view/1369367.htm
craw 9 : http://baike.baidu.com/view/737.htm

==================== RESTART: G:/Python/crawler_baidu.py ====================
craw 1 : http://baike.baidu.com/view/21087.htm
craw 2 : http://baike.baidu.com/view/16068.htm


正在回答

2 回答

最后一段循环顺序反了

0 回复 有任何疑惑可以回复我~
  1. 可能有防爬虫设置

  2. 对于页面的结构可能发生了变化

0 回复 有任何疑惑可以回复我~

举报

0/150
提交
取消
Python开发简单爬虫
  • 参与学习       227670    人
  • 解答问题       1219    个

本教程带您解开python爬虫这门神奇技术的面纱

进入课程

抓取几条URL后就没反应了,怎么回事

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信