#coding:utf8from baike_spider import url_manager, html_downloader, html_parser,\ html_outputerclass SpiderMain(object): #构造函数,初始化各个对象 def __init__(self): #url管理器 self.urls = url_manager.UrlManager() #url下载器 self.downloader = html_downloader.HtmlDownloader() #url解析器 self.parser = html_parser.HtmlParser() #url输出器 self.outputer =html_outputer.HtmlOutputer() #爬虫的调度程序 def craw(self, root_url): #count记录当前爬取的是第几个url count = 1 #1.首先将入口url添加入管理器 self.urls.add_new_url(root_url) #启动爬虫循环,当管理器中有url时 while self.urls.has_new_url(): try: #获取一个待爬取的url new_url = self.urls.get_new_url() print 'craw %d : %s' % (count,new_url) #启动下载器下载页面 html_cont = self.downloader.download(new_url) #调用解析器解析页面数据,返回新的url列表和新的数据 new_urls,new_data = self.parser.parse(new_url,html_cont) #将新的url补充到管理器 self.urls.add_new_urls(new_urls) #收集数据 self.outputer.collect_data(new_data) #爬取1000个目标 if count == 1000: break count = count + 1 except: print 'craw failed' #输出收集好的数据 self.outputer.output_html() #1.首先编写main函数if __name__=="_main_": #2.编写入口的url root_url = "http://baike.baidu.com/view/21087.htm" obj_spider = SpiderMain() #3.启动爬虫 obj_spider.craw(root_url)
添加回答
举报
0/150
提交
取消