为了账号安全,请及时绑定邮箱和手机立即绑定

Python 3的代码 自己改了一点,新网站,希望有用

第一部分

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 : %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:
                print("craw failed")

        self.outputer.output_html()



if __name__=="__main__":
    root_url = "https://baike.baidu.com/item/python/407313"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)
    
    
    
第二部分

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 url not in 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)
        return new_url
 
 
 
 
 
 第三部分
 
 
 

from bs4 import BeautifulSoup

import urllib

import re

class HtmlParser(object):

    def _get_new_urls(self,page_url, soup):
        new_urls = set()
        links = soup.find_all('a',href=re.compile(r"/item/Python/\d+"))
        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" 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_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
        
        
        
第四部分





import urllib.request


class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None

        response = urllib.request.urlopen(url)

        if response.getcode() != 200:
            return None
        return response.read()
        
        
第五部分


import self
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',encoding="utf-8")

        fout.write("<html>")
        fout.write('<meta charset="utf-8">')
        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'])
            fout.write("<td>%s</td>" % data['summary'])
            fout.write("</tr>")


        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")


正在回答

5 回答

正则表达式需要改改

0 回复 有任何疑惑可以回复我~

html_cont = 不出内容

0 回复 有任何疑惑可以回复我~

craw 1 : https://baike.baidu.com/item/Python/407313

craw failed

运行完就这样了,我之前也是这样写的代码,没有迭代,直接出结果,请问你找到原因没?

0 回复 有任何疑惑可以回复我~
#1

Bukrs

把第三部分的 import urllib 改成 import urllib.parse
2019-04-12 回复 有任何疑惑可以回复我~
#2

丶明灯三千

我发现UrlManger没有收集到任何东西,所以直接craw failed,请问大佬解决这个问题了吗?
2019-04-16 回复 有任何疑惑可以回复我~
#3

开灰机的松鼠

同样的问题吖~怎么改都是运行一个,然后就failed了。最后写出的网页信息里面就三个标签,其他内容什么都没有。 = =!
2019-04-26 回复 有任何疑惑可以回复我~
#4

Authorcai

1.第21行 new_url 改为 ‘https://baike.baidu.com’ 2.第92行 正则表达式可以修改为 links = soup.find_all('a',href=re.compile(r"/item/%*"))
2019-08-05 回复 有任何疑惑可以回复我~
查看1条回复

这个代码存在一定的缺陷,请注意

0 回复 有任何疑惑可以回复我~
#1

QAQ413227

第三部分最后是没有打完吗
2019-04-25 回复 有任何疑惑可以回复我~
#2

QAQ413227

不好意思我看错了
2019-04-25 回复 有任何疑惑可以回复我~

使用的IDE是PYCHARM

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

Python 3的代码 自己改了一点,新网站,希望有用

我要回答 关注问题
意见反馈 帮助中心 APP下载
官方微信