python爬虫

参考：

1.Python爬虫入门——爬取贴吧图片

2.https://blog.csdn.net/dai_fun/article/details/49887557

3.python实现简单爬虫功能，主要参考这个

这两天心血来潮，重拾很久之前就想学的Python爬虫，之前零星跟过一些爬虫学习教程且做了几个小的爬虫，但是没有深究。现在回过头来重新学习爬虫，以此为记录。关于什么是爬虫？参考这篇文章。

一、几个小的爬虫程序

百度全智贤贴吧的全智贤各年份广告CF汇总，爬取上面的jpg图片，代码如下：

#coding=utf-8
import re
import urllib

def getHtml(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    return html

def getImg(html):
    html = html.decode('utf-8')
#    reg = r'src="(http://img.*?.jpg)"'
    reg = r'src="(.+?.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x=1
    for imgurl in imglist:
        urllib.request.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1
    return x
    
html = getHtml('http://tieba.baidu.com/p/3466236659?pn=1')

print (getImg(html))

 注意到reg = 有两种表达，都是可以的。

当然也可以把网页内容下载下来，存入一个html文件，代码如下：

import string,urllib

def baidu_tieba(url,begin_page,end_page):
    for i in range(begin_page,end_page+1):
        sName=str(i).zfill(5)+'.html'
        print ('正在下载第'+str(i)+'个网页，并将其存储为'+sName+'......')
        f=open(sName,'wb')
        m=urllib.request.urlopen(url+str(i)).read()
        f.write(m)
        f.close()
bdurl=str(input(u'请输入地址，去掉pn=后面的数字:
'))
begin_page=int(input(u'请输入开始的页数:
'))
end_page=int(input(u'请输入终点的页数:
'))
baidu_tieba(bdurl,begin_page,end_page)
#http://tieba.baidu.com/p/3466236659?pn=

二、百度百科词条爬虫

学习资源：https://www.imooc.com/learn/563，这个是目前来看比较好的网页爬虫教程，很多人都学的这个，初看有点啰嗦，但是其实每个模块的编写思路都是值得学习的。

程序分为5个模块，分别是调度器、URL管理器、HTML下载器、HTML解析器、HTML输出器。

调度器代码（PS:本人用的Spyder，在调度器第一行直接import同一个项目中的其余4个模块，其它IDE可能有所差别）：

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()
                #获取一个未访问过的Url地址
                print ('craw %d: %s'%(count,new_url))#显示进度条
                
                html_cont = self.downloader.download(new_url)
                #返回的是urllib.request.urlopen(url).read()
                
                new_urls,new_data = self.parser.parse(new_url,html_cont)
                #返回当前页面中的超链接的new_urls，以及当前页面的数据new_data
                self.urls.add_new_urls(new_urls)#收集新urls
                self.outputer.collect_data(new_data)#收集新数据
    
                if count == 10:
                    break
                count = count + 1
            except:
                print ('craw failed')
        self.outputer.output_html()
        pass

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

URL管理器代码：

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
        pass

    
    def get_new_url(self):
        new_url= self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

HTML下载器：

import urllib

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()

HTML解析器：

from bs4 import BeautifulSoup
import re
import urllib

class HtmlParser(object):
    
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # /view/123.htm
        links = soup.find_all('a',href=re.compile(r"/item/"))
        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">
        title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1")
        res_data['title'] = title_node.get_text()
        
        summary_node = soup.find('div', class_= "para")
        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

HTML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>")
        
        
        # ascii
        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>")

本次学习问题总结：

1.完全根据视频中的代码是不行的，首先视频中代码基于python2.x，而我安装的是python3.5；其次urllib2好像已经不能用了，都用urllib以及urllib.request代替了，urlparse模块的功能也由urllib.parse给替代了；

2.卡的时间比较多的两点：

一是：程序执行完一个页面就没了，交互界面显示出craw2:failed，同时输出的output.html为空；解决方法应该是html_parser.py中的_get_new_urls()函数的第二行代码应该改为：links = soup.find_all('a',href=re.compile(r"/item/"))，这是因为百科页面本身超链接部分的html源码变了（我的理解）。

二是：程序成功跑完10个页面(count = 10)后，output.html文件中的内容全是看不懂的/xe5/xf4/ef2/...等东西，而不是我们想要的摘要文字；解决方法应该是html_outputer()中的问题，fout.write("<td>%s</td>"% data['content'].encode('utf-8'))应该改为fout.write("<td>%s</td>"% data['content'])，上面一行同理。