您好,登錄后才能下訂單哦!
這篇文章將為大家詳細(xì)講解有關(guān)如何正確的使用python爬蟲調(diào)度器,文章內(nèi)容質(zhì)量較高,因此小編分享給大家做個參考,希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。
我們可以編寫幾個元件,每個元件完成一項功能,下圖中的藍(lán)底白字就是對這一流程的抽象:
UrlManager:將存儲和獲取url以及url去重的幾個步驟在url管理器中完成(當(dāng)然也可以針對每一步分別編寫相應(yīng)的函數(shù),但是這樣更直觀)。url管理器要有兩個url倉庫,一個存儲未爬取的url,一個存儲已爬取的url,除了倉庫之外,還應(yīng)該具有一些完成特定功能的函數(shù),如存儲url、url去重、從倉庫中挑選并返回一個url等
HtmlDownloader:將下載網(wǎng)頁內(nèi)容的功能在HTML下載器中完成,下載器的功能較為單一,不多解釋。但從整個爬蟲的角度上來說,下載器是爬蟲的核心,在實際操作的過程中,下載器要和目標(biāo)網(wǎng)站的各種反爬蟲手段斗智斗勇(各種表單、隱藏字段和假鏈接、驗證碼、IP限制等等),這也是最耗費大腦的步驟
HtmlParser:解析提取數(shù)據(jù)的功能在HTML解析器中完成,解析器內(nèi)的函數(shù)應(yīng)該分別具有返回數(shù)據(jù)和新url的功能
DAtaOutput:存儲數(shù)據(jù)的功能由數(shù)據(jù)存儲器完成
SpiderMan:主循環(huán)由爬蟲調(diào)度器來完成,調(diào)度器為整個程序的入口,將其余四個元件有序執(zhí)行
爬蟲調(diào)度器將要完成整個循環(huán),下面寫出python下爬蟲調(diào)度器的程序:
# coding: utf-8 new_urls = set() data = {} class SpiderMan(object): def __init__(self): #調(diào)度器內(nèi)包含其它四個元件,在初始化調(diào)度器的時候也要建立四個元件對象的實例 self.manager = UrlManager() self.downloader = HtmlDownloader() self.parser = HtmlParser() self.output = DataOutput() def spider(self, origin_url): #添加初始url self.manager.add_new_url(origin_url) #下面進(jìn)入主循環(huán),暫定爬取頁面總數(shù)小于100 num = 0 while(self.manager.has_new_url() and self.manager.old_url_size()<100): try: num = num + 1 print "正在處理第{}個鏈接".format(num) #從新url倉庫中獲取url new_url = self.manager.get_new_url() #調(diào)用html下載器下載頁面 html = self.downloader.download(new_url) #調(diào)用解析器解析頁面,返回新的url和data try: new_urls, data = self.parser.parser(new_url, html) except Exception, e: print e for url in new_urls: self.manager.add_new_url(url) #將已經(jīng)爬取過的這個url添加至老url倉庫中 self.manager.add_old_url(new_url) #將返回的數(shù)據(jù)存儲至文件 self.output.store_data(data) print "store data succefully" print "第{}個鏈接已經(jīng)抓取完成".format(self.manager.old_url_size()) except Exception, e: print e #爬取循環(huán)結(jié)束的時候?qū)⒋鎯Φ臄?shù)據(jù)輸出至文件 self.output.output_html()
關(guān)于如何正確的使用python爬蟲調(diào)度器就分享到這里了,希望以上內(nèi)容可以對大家有一定的幫助,可以學(xué)到更多知識。如果覺得文章不錯,可以把它分享出去讓更多的人看到。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。