Python爬虫实现爬取百度百科词条功能实例

[[421433]]

本文实例讲述了Python爬虫实现爬取百度百科词条功能。分享给大家供大家参考，具体如下：

以下我写了一个爬取百度百科词条的实例。

爬虫主程序入口 

from crawler_test.html_downloader import UrlDownLoader  
from crawler_test.html_outer import HtmlOuter  
from crawler_test.html_parser import HtmlParser  
from crawler_test.url_manager import UrlManager  
# 爬虫主程序入口  
class MainCrawler():  
  def __init__(self):  
    # 初始值，实例化四大处理器：url管理器，下载器，解析器，输出器  
    self.urls = UrlManager()  
    self.downloader = UrlDownLoader()  
    self.parser = HtmlParser()  
    self.outer = HtmlOuter()  
  # 开始爬虫方法  
  def start_craw(self, main_url):  
    print('爬虫开始...')  
    count = 1  
    self.urls.add_new_url(main_url)  
    while self.urls.has_new_url():  
      try:  
        new_url = self.urls.get_new_url() 
        print('爬虫%d,%s' % (count, new_url))  
        html_cont = self.downloader.down_load(new_url)  
        new_urls, new_data = self.parser.parse(new_url, html_cont)  
        # 将解析出的url放入url管理器，解析出的数据放入输出器中  
        self.urls.add_new_urls(new_urls)  
        self.outer.conllect_data(new_data)  
        if count >= 10:# 控制爬取的数量  
          break  
        count += 1  
      except:  
        print('爬虫失败一条') 
    self.outer.output()  
    print('爬虫结束。')  
if __name__ == '__main__':  
  main_url = 'https://baike.baidu.com/item/Python/407313'  
  mc = MainCrawler()  
  mc.start_craw(main_url) 

URL管理器 

# URL管理器  
class UrlManager():  
  def __init__(self):  
    self.new_urls = set() # 待爬取  
    self.old_urls = set() # 已爬取  
  # 添加一个新的url  
  def add_new_url(self, url):  
    if url is None:  
      return  
    elif url not in self.new_urls and url not in self.old_urls:  
      self.new_urls.add(url)  
  # 批量添加url  
  def add_new_urls(self, urls):  
    if urls is None or len(urls) == 0:  
      return  
    else:  
      for url in urls:  
        self.add_new_url(url)  
  # 判断是否有url  
  def has_new_url(self):  
    return len(self.new_urls) != 0  
  # 从待爬取的集合中获取一个url  
  def get_new_url(self):  
    new_url = self.new_urls.pop()  
    self.old_urls.add(new_url)  
    return new_url 

网页下载器 

from urllib import request  
# 网页下载器  
class UrlDownLoader():  
  def down_load(self, url):  
    if url is None:  
      return None  
    else:  
      rt = request.Request(urlurl=url, method='GET')   # 发GET请求  
      with request.urlopen(rt) as rp:         # 打开网页  
        if rp.status != 200:  
          return None  
        else:  
          return rp.read()            # 读取网页内容 

网页解析器 

import re  
from urllib import parse  
from bs4 import BeautifulSoup  
# 网页解析器，使用BeautifulSoup  
class HtmlParser():  
  # 每个词条中，可以有多个超链接  
  # main_url指url公共部分，如“https://baike.baidu.com/”  
  def _get_new_url(self, main_url, soup):  
    # baike.baidu.com/  
    # <a target="_blank" href="/item/%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1%E8%AF%AD%E8%A8%80" rel="external nofollow" >计算机程序设计语言</a> 
    new_urls = set()  
    # 解析出main_url之后的url部分  
    child_urls = soup.find_all('a', href=re.compile(r'/item/(\%\w{2})+'))  
    for child_url in child_urls:  
      new_url = child_url['href']  
      # 再拼接成完整的url  
      full_url = parse.urljoin(main_url, new_url)  
      new_urls.add(full_url)  
    return new_urls  
  # 每个词条中，只有一个描述内容，解析出数据（词条，内容）  
  def _get_new_data(self, main_url, soup):  
    new_datas = {}  
    new_datas['url'] = main_url  
    # <dd class="lemmaWgt-lemmaTitle-title"><h1>计算机程序设计语言</h1>...  
    new_datas['title'] = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1').get_text()  
    # class="lemma-summary" label-module="lemmaSummary"...  
    new_datas['content'] = soup.find('div', attrs={'label-module': 'lemmaSummary'},  
                     class_='lemma-summary').get_text()  
    return new_datas  
  # 解析出url和数据（词条，内容）  
  def parse(self, main_url, html_cont):  
    if main_url is None or html_cont is None:  
      return  
    soup = BeautifulSoup(html_cont, 'lxml', from_encoding='utf-8')  
    new_url = self._get_new_url(main_url, soup)  
    new_data = self._get_new_data(main_url, soup)  
    return new_url, new_data 

输出处理器 

# 输出器  
class HtmlOuter():  
  def __init__(self):  
    self.datas = []  
  # 先收集数据  
  def conllect_data(self, data):  
    if data is None:  
      return  
    self.datas.append(data)  
    return self.datas  
  # 输出为HTML  
  def output(self, file='output_html.html'):  
    with open(file, 'w', encoding='utf-8') as fh:  
      fh.write('<html>')  
      fh.write('<head>')  
      fh.write('<meta charset="utf-8"></meta>')  
      fh.write('<title>爬虫数据结果</title>')  
      fh.write('</head>')  
      fh.write('<body>')  
      fh.write(  
        '<table style="border-collapse:collapse; border:1px solid gray; width:80%; word-break:break-all; margin:20px auto;">')  
      fh.write('<tr>')  
      fh.write('<th style="border:1px solid black; width:35%;">URL</th>')  
      fh.write('<th style="border:1px solid black; width:15%;">词条</th>')  
      fh.write('<th style="border:1px solid black; width:50%;">内容</th>')  
      fh.write('</tr>')  
      for data in self.datas:  
        fh.write('<tr>')  
        fh.write('<td style="border:1px solid black">{0}</td>'.format(data['url']))  
        fh.write('<td style="border:1px solid black">{0}</td>'.format(data['title']))  
        fh.write('<td style="border:1px solid black">{0}</td>'.format(data['content']))  
        fh.write('</tr>')  
      fh.write('</table>')  
      fh.write('</body>')  
      fh.write('</html>') 

效果（部分）：

希望本文所述对大家Python程序设计有所帮助。