为了账号安全,请及时绑定邮箱和手机立即绑定

结果一直都是 Process finished with exit code 0 ,修改了 也没用,求救啊 大神

from baike_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.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_url():
           try:
               new_url = self.urls.get_new_url()
               print 'craw %d : %d' % (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:
               print 'craw failed'
       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:

class UrlManager(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 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)
 

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().decode('utf-8')


解析器:

import re
import urlparse

from bs4 import BeautifulSoup


def _get_new_urls(self, page_url, soup):
   new_urls = set()
   #  href="/item/%E6%95%99%E5%AD%A6"
   links = soup.find_all('a', href=re.compile(r'/item/\d+'))
   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" label-module="lemmaSummary">
   summary_node = soup.find('div', class_='lemma-summary')
   res_data['summary'] = summary_node.get_text()

   return res_data


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


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('<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()


结果一直都是

Process finished with exit code 0

,修改了 也没用,求救啊  大神


正在回答

6 回答

    public static void main(String[] args) {
        System.out.println("Hello World!");
    }
}


0 回复 有任何疑惑可以回复我~
public class Main {

    public static void main(String[] args) {
        System.out.println("Hello World!");
    }
}


0 回复 有任何疑惑可以回复我~

我已经跑成功了,首页是root_url = "https://baike.baidu.com/item/Python/407313”,解析中用这个正则:links = soup.find_all('a', href=re.compile(r"/item/.*")),建议将try,except放开看看报什么错,我就放开后看错误调好的

0 回复 有任何疑惑可以回复我~

我改成view也是Process finished with exit code 0

def _get_new_urls(self, page_url, soup):
   new_urls=set()
   links =soup.find_all('a',href=re.compile(re"/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


为什么??????


0 回复 有任何疑惑可以回复我~
#1

suddenly唐

现在的百度百科是https://baike.baidu.com/item/Python/407313?fr=aladdin 怎么处理
2018-02-12 回复 有任何疑惑可以回复我~

是的  谢谢您,已经解决了,thanks

0 回复 有任何疑惑可以回复我~
#1

仨小小

请问是怎么解决的呀?
2017-09-08 回复 有任何疑惑可以回复我~
#2

Annunaki 回复 仨小小

爬虫初始页的网页格式为http://baike.com/view/,而后面解析器里面爬虫规则为href=re.compile(r'/item/)规则与格式不匹配,现在百科已经改为view,重新审查元素,修改爬虫初始页格式即可
2017-09-12 回复 有任何疑惑可以回复我~
#3

weixin_慕勒4515740

请问是如何解决的?
2019-11-19 回复 有任何疑惑可以回复我~


这个意思好像是代码正确执行并结束。没有出你想要的结果可能是在某个地方调用完了直接结束程序了。。。

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

结果一直都是 Process finished with exit code 0 ,修改了 也没用,求救啊 大神

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信