为了账号安全,请及时绑定邮箱和手机立即绑定

python新手,程序比对了n遍,没问题啊 结果网址出现乱码

调度器

#coding:utf-8
from baike_spiter import url_manger, html_download, html_paser, html_outputer
class Spitermain(object):
   #初始化爬虫
   def __init__(self):
       # url管理器
       self.urls = url_manger.UrlManger()
       # 下载器
       self.downloader = html_download.HtmlDownload()
       # 解 析器
       self.parser = html_paser.HtmlPaser()
       # 输出器
       self.outputer = html_outputer.HtmlOutputer()

       # craw方法表示爬虫的调度程序
   def craw(self, root_url):
       count = 1
       # 将入口url添加进url管理器
       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 == 10:
                   break
               count = count + 1
           except:
               print  "craw failed"
       self.outputer.output_html()


if __name__=="__main__":
   root_url = "http://baike.baidu.com/item/Python"
   obj_spiter = Spitermain()
   obj_spiter.craw(root_url)


url管理器

#encoding=utf-8
class UrlManger(object):
   def __init__(self):
       self.new_urls=set()  #待爬的url集合
       self.old_urls=set()  #已经爬取的url集合

   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)
       return
   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()  #获取url,并从集合中剔除url
       self.old_urls.add(new_url)
       return new_url

下载器

import urllib2


class HtmlDownload(object):
   def download(self,url):
       if url is None:
           return None
       response = urllib2.urlopen(url)
       if response.getcode() != 200:
           return None
       return response.read()


#coding:utf-8
import urlparse
import  bs4
import re



解析器
class HtmlPaser(object):
   def parse(self, page_url, html_cont):
       if page_url is None or html_cont is None:
           return
       soup = bs4.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):
       # 新的带爬取的url集合
       new_urls=set()
       #/view/123.htm
       links=soup.find_all('a',href=re.compile(r"/item/"))
       for link in links:
           new_url=link['href']
           #urljoin 的作用是将newurl按照page-url 的格式创建全新的url
           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
输出器
class HtmlOutputer(object):
   def __init__(self):
       self.datas=[]
   def collect_data(self, new_data):
       if data is None:
           return
       self.datas.append(new_data)

   def output_html(self):
       fout=open("output.html",'w',encoding='utf-8')
       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>")


结果http://img1.sycdn.imooc.com//58e5b3aa0001082908310498.jpg并且打开创建的文件,上面无任何信息

正在回答

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

python新手,程序比对了n遍,没问题啊 结果网址出现乱码

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信