爬虫基础框架组成

目录

• 爬虫基础框架
  • 爬虫调度器：
    • spider 调度:
  • URL 管理器 :
  • html 下载器：
  • html 解析器：
  • 数据存储器：

爬虫基础框架

爬虫调度器：

基础模块：
	URL 管理器、HTML 下载器、HTML 解析器和数据存储器等模块
    
调度器：
	初始化各个模块，然后通过 crawl(root_url)方法传入入口 URL，方法内部实现按照运行流程控制各个模块的工作

spider 调度:

from firstSpider.DataOutput import DataOutput
from firstSpider.HtmlDownloader import HtmlDownloader
from firstSpider.HtmlParser import HtmlParser
from firstSpider.UrlManager import UrlManager
class SpiderMan(object):
	def __init__(self):
        self.manager= UrlManager()
        self.downloader=HtmlDownloader()
        self.parser = HtmlParser()
 	    self.output = DataOutput()
        
   def crawl(self,root_url):
    	# 添加入口url
        self,manager.add_new_url(root_url)
        #判断 url 管理器中是否有新的 url，同时判断抓取了多少个 url
        while(self.manager.has_new_url() and self.manager.old_url_size()<100):
            
            try:
                #从 URL 管理器获取新的 url
 			   	new_url = self.manager.get_new_url()
				#HTML 下载器下载网页
 				html = self.downloader.download(new_url)
                 #HTML 解析器抽取网页数据
 				new_urls,data = self.parser.parser(new_url,html)
        		#将抽取到 url 添加到 URL 管理器中
 				self.manager.add_new_urls(new_urls)
                #数据存储器储存文件
 				self.output.store_data(data)
                  print "已经抓取%s 个链接"%self.manager.old_url_size()
            except Exception as e:
                print('cawl failed')
                
        #数据存储器将文件输出成指定格式
        self.output.output_html()
        
        
        

if __name__=="__main__":
    spider_man = SpiderMan()
    spider_man.crawl("http://baike.baidu.com/view/284853.htm")

URL 管理器 :

	已爬取 URL 的集合，未爬取 URL 的集合，采用的 Python 中 set 类型，主要是使用 set 的去重复功能
    
    url 去重：
    	1. 内存去重 2.关系数据库去重 3. 缓存数据库去重。

URLManager.py

class UrlManager(object):
     def __init__(self):
         self.new_urls = set()#未爬取 URL 集合
         self.old_urls = set()#已爬取 URL 集合
            
     def has_new_url(self):
     '''
     判断是否有未爬取的 URL
     :return:
     '''
     	return self.new_url_size()!=0
    
     def get_new_url(self):
     '''
     获取一个未爬取的 URL
     :return:
     '''
         new_url = self.new_urls.pop()
         self.old_urls.add(new_url)
         return new_url
    
     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):
     '''
     将新的 URLS 添加到未爬取的 URL 集合中
     :param urls:url 集合
     :return:
     '''
     if urls is None or len(urls)==0:
     	return
     for url in urls:
     	self.add_new_url(url)
   def new_url_size(self):
     '''
     获取未爬取 URL 集合的 s 大小
     :return:
     '''
     return len(self.new_urls)

   def old_url_size(self):
     '''
     获取已经爬取 URL 集合的大小
     :return:
     '''
     return len(self.old_urls)       

html 下载器：

	HTML 下载器用来下载网页，这时候需要注意网页的编码，保证下载到网页没有乱码
   

HtmlDownloader.py

import requests
class HtmlDownloader(object):
     def download(self,url):
     	if url is None:
     		return None
         user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
         headers={'User-Agent':user_agent}
         r = requests.get(url,headers=headers)
 		if r.status_code==200:
 			r.encoding='utf-8'
 			return r.text
 		return Non

html 解析器：

	HTML 解析器使用 BeautifulSoup4 进行 HTML 解析。需要解析的部分主要分为提取相关词条页面的 URL 和提取当前词条的标题和摘要信息
    
    HTML 解析器主要提供一个 parser 对外接口，输入参数为当前页面的 URL 和 HTML下载器返回的网页内容

HtmlParser.py

import re
import urlparse
from bs4 import BeautifulSoup

class HtmlParser(object):
 	def parser(self,page_url,html_cont):
         '''
         用于解析网页内容抽取 URL 和数据
         :param page_url: 下载页面的 URL
         :param html_cont: 下载的网页内容
         :return:返回 URL 和数据
         '''
 		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
        
 	def _get_new_urls(self,page_url,soup):
         '''
         抽取新的 URL 集合
         :param page_url: 下载页面的 URL
         :param soup:soup
         :return: 返回新的 URL 集合
         '''
 		new_urls = set()
         #抽取符合要求的 a 标签
         links = soup.find_all('a',href=re.compile(r'/view/d+.htm'))
 		for link in links:
             #提取 href 属性
             new_url = link['href']
             #拼接成完整网址
             new_full_url = urlparse.urljoin(page_url,new_url)
             new_urls.add(new_full_url)
 		return new_urls
    
 	def _get_new_data(self,page_url,soup):
         '''
         抽取有效数据
         :param page_url:下载页面的 URL
         :param soup:
         :return:返回有效数据
         '''
         data={}
         data['url']=page_url
         title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1') 
         data['title']=title.get_text()
         summary = soup.find('div',class_='lemma-summary')
         #获取 tag 中包含的所有文版内容包括子孙 tag 中的内容,并将结果作为 Unicode 字符串返回
         data['summary']=summary.get_text()
 		return data

数据存储器：

	一个将解析出来的数据存储到内存中store_data(data)，
    另一个用于将储存的数据输出为指定的文件格式 output_html()，
   

DataOutput.py 

import codecs
class 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','w',encoding='utf-8')
         fout.write("<html>")
         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>")
 			self.datas.remove(data)
         fout.write("</table>")
         fout.write("</body>")
         fout.write("</html>")
         fout.close()

优化：
	将数据分批存储到文件，而不应该将所有数据存储到内存，一次性写入文件，系统出现异常容易造成数据丢失