为了账号安全,请及时绑定邮箱和手机立即绑定

没有结果也没有报错啊

# -*- coding: utf-8 -*-
from baike_spider import url_manager, html_downloader, html_parser, html_outputer
import traceback

class Spidermain(object):
    def __init__(self):
        self.urls = url_manager.UrlManger()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    def craw(self, root_url):
        count = 1

        self.urls.add_new_url(root_url)
        while self.urls.has_new_rul():
            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 == 1000:
                    break
                count = count + 1
            except Exception as e:
                print traceback.format_exc()
        self.outputer.output_html()


if __name__ == "main":
    root_url = "http://baike.baidu.com/view/21087.htm"
    obj_spider = Spidermain()
    obj_spider.craw(root_url)
    
管理器
# -*- coding: utf-8 -*-
class UrlManger(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)
            # not in waiting list and not in old list, so add it to waitinglist

    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)
            # iteration?

    def has_new_rul(self):
        return len(self.new_urls) != 0

    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        # pop new_url form self.new_ruls and add it to old list
        return new_url
下载器
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()
解析器
'''


@author: erics
'''
from bs4 import BeautifulSoup
import re
import urlparse


class HtmlParser(object):
    def _get_new_urls(self, page_rul, soup):
        new_urls = set()
        # /view/123.htm, find all link has the same format
        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_rul, 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_rul, html_cont):
        if page_rul 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_rul, soup)
        new_data = self._get_new_data(page_rul, soup)
        return new_urls, new_data




输出器
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('output.html', 'w')

        fout.write("<html>")
        fout.write("<body>")
        fout.write("<table>")
        for data in self.datas:
            fout.write("<tr>")
            fout.write("<tr>%s</td>" % data['url'])
            fout.write("<tr>%s</td>" % data['title'].encode('utf-8'))
            fout.write("<tr>%s</td>" % data['summary'].encode('utf-8'))
            fout.write("</tr>")
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()




class HtmlParser(object):
    def _get_new_urls(self, page_rul, soup):
        new_urls = set()
        # /view/123.htm, find all link has the same format
        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_rul, 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_rul, html_cont):
        if page_rul 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_rul, soup)
        new_data = self._get_new_data(page_rul, soup)
        return new_urls, new_data

求助呀,为什么没有结果也没有报错啊0 0?

C:\Python27\python.exe C:/Users/erics/PycharmProjects/imooc/baike_spider/spider_main.py


Process finished with exit code 0


正在回答

5 回答

你的spider_main里的

if __name__ == __main__

错了

1 回复 有任何疑惑可以回复我~

115行的page_url你写错了改改看


0 回复 有任何疑惑可以回复我~

me too

0 回复 有任何疑惑可以回复我~

注意引号, title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find('h1')改成

 title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1")试试呢

0 回复 有任何疑惑可以回复我~
#1

qq_我也想要橡皮果实_04188688 提问者

没什么用啊~
2016-11-02 回复 有任何疑惑可以回复我~

me too


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

没有结果也没有报错啊

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信