python網(wǎng)絡(luò)爬蟲的流程步驟

本文將為大家詳細(xì)介紹“python網(wǎng)絡(luò)爬蟲的流程步驟”，內(nèi)容步驟清晰詳細(xì)，細(xì)節(jié)處理妥當(dāng)，而小編每天都會(huì)更新不同的知識(shí)點(diǎn)，希望這篇“python網(wǎng)絡(luò)爬蟲的流程步驟”能夠給你意想不到的收獲，請(qǐng)大家跟著小編的思路慢慢深入，具體內(nèi)容如下，一起去收獲新知識(shí)吧。

python網(wǎng)絡(luò)爬蟲步驟：首先準(zhǔn)備所需庫，編寫爬蟲調(diào)度程序；然后編寫url管理器，并編寫網(wǎng)頁下載器；接著編寫網(wǎng)頁解析器；最后編寫網(wǎng)頁輸出器即可。

python網(wǎng)絡(luò)爬蟲步驟

（1）準(zhǔn)備所需庫

我們需要準(zhǔn)備一款名為BeautifulSoup（網(wǎng)頁解析）的開源庫，用于對(duì)下載的網(wǎng)頁進(jìn)行解析，我們是用的是PyCharm編譯環(huán)境所以可以直接下載該開源庫。

步驟如下：

選擇File->Settings

打開Project:PythonProject下的Project interpreter

點(diǎn)擊加號(hào)添加新的庫

輸入bs4選擇bs4點(diǎn)擊Install Packge進(jìn)行下載

（2）編寫爬蟲調(diào)度程序

這里的bike_spider是項(xiàng)目名稱引入的四個(gè)類分別對(duì)應(yīng)下面的四段代碼url管理器，url下載器，url解析器，url輸出器。

# 爬蟲調(diào)度程序
from bike_spider import url_manager, html_downloader, html_parser, html_outputer


# 爬蟲初始化
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, my_root_url):
        count = 1
        self.urls.add_new_url(my_root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print("craw %d : %s" % (count, new_url))
                # 下載網(wǎng)頁
                html_cont = self.downloader.download(new_url)
                # 解析網(wǎng)頁
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                # 網(wǎng)頁輸出器收集數(shù)據(jù)
                self.outputer.collect_data(new_data)
                if count == 10:
                    break
                count += 1
            except:
                print("craw failed")

        self.outputer.output_html()


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

(3)編寫url管理器

我們把已經(jīng)爬取過的url和未爬取的url分開存放以便我們不會(huì)重復(fù)爬取某些已經(jīng)爬取過的網(wǎng)頁。

# url管理器
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.new_urls.add(url)

    def get_new_url(self):
        # pop方法會(huì)幫我們獲取一個(gè)url并且移除它
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

    def has_new_url(self):
        return len(self.new_urls) != 0

（4）編寫網(wǎng)頁下載器

通過網(wǎng)絡(luò)請(qǐng)求來下載頁面

# 網(wǎng)頁下載器
import urllib.request


class HtmlDownloader(object):

    def download(self, url):
        if url is None:
            return None
        response = urllib.request.urlopen(url)
        # code不為200則請(qǐng)求失敗
        if response.getcode() != 200:
            return None
        return response.read()

（5）編寫網(wǎng)頁解析器

對(duì)網(wǎng)頁進(jìn)行解析時(shí)我們需要知道我們要查詢的內(nèi)容都有哪些特征，我們可以打開一個(gè)網(wǎng)頁點(diǎn)擊右鍵審查元素來了解我們所查內(nèi)容的共同之處。

# 網(wǎng)頁解析器
import re
from bs4 import BeautifulSoup
from urllib.parse import urljoin


class HtmlParser(object):

    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

    def _get_new_data(self, page_url, soup):
        res_data = {"url": page_url}
        # 獲取標(biāo)題
        title_node = soup.find("dd", class_="lemmaWgt-lemmaTitle-title").find("h2")
        res_data["title"] = title_node.get_text()
        summary_node = soup.find("p", class_="lemma-summary")
        res_data["summary"] = summary_node.get_text()
        return res_data

    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # 查找出所有符合下列條件的url
        links = soup.find_all("a", href=re.compile(r"/item/"))
        for link in links:
            new_url = link['href']
            # 獲取到的url不完整，學(xué)要拼接
            new_full_url = urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls

（6）編寫網(wǎng)頁輸出器

輸出的格式有很多種，我們選擇以html的形式輸出，這樣我們可以的到一個(gè)html頁面。

# 網(wǎng)頁輸出器
class HtmlOutputer(object):

    def __init__(self):
        self.datas = []

    def collect_data(self, data):
        if data is None:
            return
        self.datas.append(data)

    # 我們以html表格形式進(jìn)行輸出
    def output_html(self):
        fout = open("output.html", "w", encoding='utf-8')
        fout.write("<html>")
        fout.write("<meta charset='utf-8'>")
        fout.write("<body>")
        # 以表格輸出
        fout.write("<table>")
        for data in self.datas:
            # 一行
            fout.write("<tr>")
            # 每個(gè)單元行的內(nèi)容
            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>")
        # 輸出完畢后一定要關(guān)閉輸出器
        fout.close()

如果你能讀到這里，小編希望你對(duì)“python網(wǎng)絡(luò)爬蟲的流程步驟”這一關(guān)鍵問題有了從實(shí)踐層面最深刻的體會(huì)，具體使用情況還需要大家自己動(dòng)手實(shí)踐使用過才能領(lǐng)會(huì)，如果想閱讀更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道！