为了账号安全,请及时绑定邮箱和手机立即绑定

最后只能爬取到第一个

# coding:utf8
from baike import url_manager, html_downloader, html_parser, html_outputer
class SpiderMain(object):
   def __init__(self):
       self.urls = url_manager.UrlManager()               #URL管理器
       self.downloader = html_downloader.HtmlDownloader() #Html下载器
       self.parser = html_parser.HtmlParser()             #html解析器
       self.outputer = html_outputer.HtmlOutputer()

   def craw(self,root_url):
       count = 1
       self.urls.add_new_url(root_url)                    #添加入口URL
       #当有新的URL时
       while self.urls.has_new_url():
           try:
               new_url = self.urls.get_new_url()          #从urls获取新的url
               print 'craw %d : %s' %(count,new_url)     #打印craw+count:新的url
               html_cont = self.downloader.download(new_url) #下载url界面
               new_urls, new_data = self.parser.parse(new_url, html_cont)  #解析下载界面
               self.urls.add_new_urls(new_urls)           #添加批量的url
               self.outputer.collect_data(new_data)       #收集新数据
               if count == 1000:
                   break
               count = count + 1
           except:
               print "craw failed"

       self.outputer.output_html()

if __name__ == "__main__":
   root_url = "https://baike.baidu.com/item/Python/407313?fr=aladdin"
   obj_spider = SpiderMain()
   obj_spider.craw(root_url)



class UrlManager(object):
   def __init__(self):
       self.new_urls = set()
       self.old_urls = set()
   #添加单个url
   def add_new_url(self, url):
       if url is None:
           return
       #如果是全新的URL
       if url not in self.new_urls and url not in self.old_urls:
           self.new_urls.add(url)
   #添加批量的URLS
   def add_new_urls(self, urls):
       if urls is None or len(urls) == 0:
           return
       for url in urls:
           self.add_new_url(url)
   #判断列表中是否有未爬取过的url
   def has_new_url(self):
       return len(self.new_urls) != 0
   #获取新的URL
   def get_new_url(self):
       new_url  = self.new_urls.pop()
       self.old_urls.add(new_url)
       return new_url




# coding:utf8
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()



import re
import urlparse
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',herf = 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 = {}
       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




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'].encode('utf-8'))
           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()

正在回答

2 回答

links = soup.find_all('a',herf = re.compile(r"/view/\d+\.htm"))

上面那句有问题,现在去看百科上的链接,已经不是/view/这种格式了。

1 回复 有任何疑惑可以回复我~

同,报URL 标识错

0 回复 有任何疑惑可以回复我~
#1

Timthony 提问者

???
2017-08-04 回复 有任何疑惑可以回复我~
#2

此间的少年233 回复 Timthony 提问者

GitHub源码,亲测可用
2017-08-05 回复 有任何疑惑可以回复我~
#3

此间的少年233 回复 此间的少年233

https://github.com/zhjyflyy/spider_baike#慕课网-python开发简单爬虫-实例代码
2017-08-05 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

最后只能爬取到第一个

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信