为了账号安全,请及时绑定邮箱和手机立即绑定

用的是pycharm,python3.5,爬取失败,求助

错误如下:

craw 1 : http://baike.baidu.com/view/21087.htm

Traceback (most recent call last):

  File "D:/python/spider/spider/spider_main.py", line 36, in <module>

    obj_spider.craw(root_url)

  File "D:/python/spider/spider/spider_main.py", line 22, in craw

    self.outputer.collect_data(new_data)

TypeError: collect_data() missing 1 required positional argument: 'data'


spider_main代码 如下:

# coding:utf-8

from 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.HtlmDownloader()

        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_url():


                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 == 100:

                    break


                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)


outputer 模块代码如下:

# coding:utf-8


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("<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()

parser模块代码如下:

# coding:utf-8
import re
import urllib.parse

from bs4 import BeautifulSoup

class HtmlParser(object):
   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


   def _get_new_urls(self, page_url, soup):
       new_urls=set()
       links=soup.find_all('a', href=re.compile(r"/view/\d+\.htm"))
       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

   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">
       summary_node = soup.find('div', class_="lemma-summary")
       res_data['summary'] = summary_node.get_text()
       return res_data



正在回答

2 回答

self.outputer = html_outputer.HtmlOutputer 这句话缺少()

0 回复 有任何疑惑可以回复我~
#1

weibo_和34飞_04419214 提问者

非常感谢!
2016-12-22 回复 有任何疑惑可以回复我~

我的输出《craw failed》这会是什么原因造成的?

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

用的是pycharm,python3.5,爬取失败,求助

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信