Python爬蟲 你真的會寫爬蟲嗎？

咱們直接進入今天的主題---你真的會寫爬蟲嗎？為啥標(biāo)題是這樣，因為我們?nèi)粘懶∨老x都是一個py文件加上幾個請求，但是如果你去寫一個正式的項目時，你必須考慮到很多種情況，所以我們需要把這些功能全部模塊化，這樣也使我們的爬蟲更加的健全。

2基礎(chǔ)爬蟲的架構(gòu)以及運行流程

首先，給大家來講講基礎(chǔ)爬蟲的架構(gòu)到底是啥樣子的？JAP君給大家畫了張粗糙的圖：

從圖上可以看到，整個基礎(chǔ)爬蟲架構(gòu)分為5大類：爬蟲調(diào)度器、URL管理器、HTML下載器、HTML解析器、數(shù)據(jù)存儲器。

下面給大家依次來介紹一下這5個大類的功能：

爬蟲調(diào)度器，主要是配合調(diào)用其他四個模塊，所謂調(diào)度就是取調(diào)用其他的模板

URL管理器，就是負責(zé)管理URL鏈接的，URL鏈接分為已經(jīng)爬取的和未爬取的，這就需要URL管理器來管理它們，同時它也為獲取新URL鏈接提供接口。

HTML下載器，就是將要爬取的頁面的HTML下載下來

HTML解析器，就是將要爬取的數(shù)據(jù)從HTML源碼中獲取出來，同時也將新的URL鏈接發(fā)送給URL管理器以及將處理后的數(shù)據(jù)發(fā)送給數(shù)據(jù)存儲器。

數(shù)據(jù)存儲器，就是將HTML下載器發(fā)送過來的數(shù)據(jù)存儲到本地

3實戰(zhàn)爬取菜鳥筆記信息

差不多就介紹這么些東西，相信大家對整體的架構(gòu)有了初步的認(rèn)識，下面我簡單找了個網(wǎng)站給大家演示一遍用爬蟲架構(gòu)來爬取信息：

（目標(biāo)站點）

我們來獲取上面列表中的信息，這里我就省略了分析網(wǎng)站的一步，如果大家不會分析，可以去看我之前寫的爬蟲項目。

首先，我們來寫一下URL管理器（URLManage.py）

class URLManager(object): def __init__(self): self.new_urls = set() self.old_urls = set() def has_new_url(self): # 判斷是否有未爬取的url return self.new_url_size()!=0 def get_new_url(self): # 獲取一個未爬取的鏈接 new_url = self.new_urls.pop() # 提取之后，將其添加到已爬取的鏈接中 self.old_urls.add(new_url) return new_url def add_new_url(self, url): # 將新鏈接添加到未爬取的集合中(單個鏈接) 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): # 將新鏈接添加到未爬取的集合中(集合) if urls is None or len(urls)==0: return for url in urls: self.add_new_url(url) def new_url_size(self): # 獲取未爬取的url大小 return len(self.new_urls) def old_url_size(self): # 獲取已爬取的url大小 return len(self.old_urls)

在這里主要就是兩個集合，一個是已爬取URL的集合，另一個是未爬取URL的集合。這里我使用的是set類型，因為set自帶去重的功能。

接下來，HTML下載器（HTMLDownload.py）

importrequestsclassHTMLDownload(object): def download(self, url): if url is None: return s = requests.Session() s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36' res = s.get(url) # 判斷是否正常獲取 if res.status_code == 200: res.encoding='utf-8' res = res.text return resreturnNone

可以看到這里我們只是簡單的獲取了，url中的html源碼

接著看HTML解析器（HTMLParser.py）

import refrombs4importBeautifulSoupclass HTMLParser(object): def parser(self, page_url, html_cont): ''' 用于解析網(wǎng)頁內(nèi)容，抽取URL和數(shù)據(jù) :param page_url: 下載頁面的URL :param html_cont: 下載的網(wǎng)頁內(nèi)容 :return: 返回URL和數(shù)據(jù) ''' if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'html.parser') 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): ''' 抽取新的URL集合 :param page_url:下載頁面的URL :param soup: soup數(shù)據(jù) :return: 返回新的URL集合 ''' new_urls = set() for link in range(1,100): # 添加新的urlnew_url="http://www.runoob.com/w3cnote/page/"+str(link) new_urls.add(new_url) print(new_urls) return new_urls def _get_new_data(self,page_url,soup): ''' 抽取有效數(shù)據(jù) :param page_url:下載頁面的url :param soup: :return: 返回有效數(shù)據(jù) ''' data={} data['url'] = page_url title = soup.find('div', class_='post-intro').find('h2') print(title) data['title'] = title.get_text() summary = soup.find('div', class_='post-intro').find('p') data['summary'] = summary.get_text()returndata

在這里，我們將HTML下載器的源碼進行了分析和解析，從而得到了我們想要拿到的數(shù)據(jù)，如果BeautifulSoup不懂的可以去看一下我之前寫的文章。

繼續(xù)看，數(shù)據(jù)存儲器（DataOutput.py）

importcodecsclass DataOutput(object): def __init__(self): self.datas = [] def store_data(self,data): if data is None: return self.datas.append(data) def output_html(self): fout = codecs.open('baike.html', 'a', encoding='utf-8') fout.write("") fout.write("") fout.write("") fout.write("

大家可能發(fā)現(xiàn)我這里是將數(shù)據(jù)存儲到一個html的文件當(dāng)中，在這里你當(dāng)然也可以存在Mysql或者csv等文件當(dāng)中，這個看自己的選擇，我這里只是為了演示所以就放在了html當(dāng)中。

最后一個，爬蟲調(diào)度器（SpiderMan.py）

from base.DataOutput import DataOutputfrom base.HTMLParser import HTMLParserfrom base.HTMLDownload import HTMLDownloadfrom base.URLManager import URLManagerclass SpiderMan(object): def __init__(self): self.manager = URLManager() self.downloader = HTMLDownload() self.parser = HTMLParser() self.output = DataOutput() def crawl(self, root_url): # 添加入口URL self.manager.add_new_url(root_url) # 判斷url管理器中是否有新的url，同時判斷抓取多少個url while(self.manager.has_new_url() and self.manager.old_url_size()<100): try: # 從URL管理器獲取新的URL new_url = self.manager.get_new_url() print(new_url) # HTML下載器下載網(wǎng)頁 html = self.downloader.download(new_url) # HTML解析器抽取網(wǎng)頁數(shù)據(jù) new_urls, data = self.parser.parser(new_url, html) print(new_urls) # 將抽取的url添加到URL管理器中 self.manager.add_new_urls(new_urls) # 數(shù)據(jù)存儲器存儲文件 self.output.store_data(data) print("已經(jīng)抓取%s個鏈接" % self.manager.old_url_size()) except Exception as e: print("failed") print(e) # 數(shù)據(jù)存儲器將文件輸出成指定的格式 self.output.output_html()if __name__ == '__main__': spider_man = SpiderMan()????spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

相信這里大家都能看懂，我就是將前面我們寫的四個模板在這里把它們調(diào)用了一下，我們運行后的結(jié)果：

4總結(jié)

我們這里簡單的講解了一下，爬蟲架構(gòu)的五個模板，無論是大型爬蟲項目還是小型的爬蟲項目都離不開這五個模板，希望大家能夠照著這些代碼寫一遍，這樣有利于大家的理解，大家以后寫爬蟲項目也要按照這種架構(gòu)去寫，這樣你的爬蟲看起來就會更加的規(guī)范、健全。