最新文章专题视频专题问答1问答10问答100问答1000问答2000关键字专题1关键字专题50关键字专题500关键字专题1500TAG最新视频文章推荐1 推荐3 推荐5 推荐7 推荐9 推荐11 推荐13 推荐15 推荐17 推荐19 推荐21 推荐23 推荐25 推荐27 推荐29 推荐31 推荐33 推荐35 推荐37视频文章20视频文章30视频文章40视频文章50视频文章60 视频文章70视频文章80视频文章90视频文章100视频文章120视频文章140 视频2关键字专题关键字专题tag2tag3文章专题文章专题2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章专题3
问答文章1 问答文章501 问答文章1001 问答文章1501 问答文章2001 问答文章2501 问答文章3001 问答文章3501 问答文章4001 问答文章4501 问答文章5001 问答文章5501 问答文章6001 问答文章6501 问答文章7001 问答文章7501 问答文章8001 问答文章8501 问答文章9001 问答文章9501
当前位置: 首页 - 科技 - 知识百科 - 正文

python中五个模块的详细介绍

来源:懂视网 责编:小采 时间:2020-11-27 14:23:29
文档

python中五个模块的详细介绍

python中五个模块的详细介绍:本次python爬虫百步百科,里面详细分析了爬虫的步骤,对每一步代码都有详细的注释说明,可通过本案例掌握python爬虫的特点:1、爬虫调度入口(crawler_main.py)# coding:utf-8 from com.wenhy.crawler_baidu_baike import url
推荐度:
导读python中五个模块的详细介绍:本次python爬虫百步百科,里面详细分析了爬虫的步骤,对每一步代码都有详细的注释说明,可通过本案例掌握python爬虫的特点:1、爬虫调度入口(crawler_main.py)# coding:utf-8 from com.wenhy.crawler_baidu_baike import url

本次python爬虫百步百科,里面详细分析了爬虫的步骤,对每一步代码都有详细的注释说明,可通过本案例掌握python爬虫的特点:

1、爬虫调度入口(crawler_main.py)

# coding:utf-8
from com.wenhy.crawler_baidu_baike import url_manager, html_downloader, html_parser, html_outputer

print "爬虫百度百科调度入口"

# 创建爬虫类
class SpiderMain(object):

 # 初始化 url管理器 html下载器 解析器 
输出器 def __init__(self): self.urls = url_manager.UrlManager() self.downloader = html_downloader.HtmlDownloader() self.parser = html_parser.HtmlParser() self.output = html_outputer.HtmlOutput() def craw(urls, downloader, parser, output, root_url): # 计数 count = 1 # 添加url到url管理器中 urls.add_new_url(root_url) # 判断是否有新的URL while urls.has_new_url(): try: # 获取新的URL new_url = urls.get_new_url() print 'crawler %d : %s' % (count, new_url) # 下载html页面数据 html_cont = downloader.download(new_url) # 解析页面得到新的url列表,新的数据 new_urls, new_data = parser.parser(new_url, html_cont) # 把解析到的url数组批量添加到url管理器中 urls.add_new_urls(new_urls) # 收集数据 output.collect_data(new_data) # 爬虫1000页面 if count == 500: break count = count + 1 except Exception as e: print 'Crawler Failed ', e output.output_html() if __name__ == '__main__': # 入口URL 百度百科地址 root_url = "http://baike.baidu.com/item/Python" # 创建爬虫 obj_spider = SpiderMain() # 启动爬虫 craw(obj_spider.urls, obj_spider.downloader, obj_spider.parser, obj_spider.output, root_url) 2、封装URL管理器(url_manager.py)
# coding:utf-8

print "URL管理器"


class UrlManager(object):

 # 初始化url容器(set集合)
 def __init__(self):
 self.new_urls = set()
 self.old_urls = set()

 # 添加一个新的待爬取url
 def add_new_url(self, url):

 if url is None:
 return

 # 判断url不在新的url集合中也不再旧的url集合中 说明是一个全新的url
 if url not in self.new_urls and url not in self.old_urls:
 self.new_urls.add(url)

 # 批量添加解析页面的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)

 # 判断是否有新的待爬取的url
 def has_new_url(self):
 # 如果新的url集合里面len不等于0 说明有待爬取的url
 return len(self.new_urls) != 0

 # 获得url地址
 def get_new_url(self):
 # 获取url并移除当前url
 new_url = self.new_urls.pop()
 self.old_urls.add(new_url)
 return new_url

3、HTML下载器(html_downloader.py)
# coding:utf-8

import urllib2
print "下载HTML"


class HtmlDownloader(object):

 def download(self, url):
 # 判断是否为空
 if url is None:
 return None
 # 下载url
 response = urllib2.urlopen(url)
 # 判断返回结果是否为200
 if response.getcode() != 200:
 return None
 # 成功 返回页面内容
 return response.read()

4、HTML 解析器(html_parser.py)
# coding:utf-8

from bs4 import BeautifulSoup
import re
import urlparse

print "HTML 解析器"


class HtmlParser(object):

 def _get_new_urls(self, page_url, soup):

 # 创建一个集合保存页面解析出来的所有url
 new_urls = set()
 # /item/ 词条url
 links = soup.find_all('a', href=re.compile(r'/item/'))
 for link in links:
 # 获取连接
 new_url = link['href']
 # url拼接
 new_full_url = urlparse.urljoin(page_url, new_url)
 # print 'new_full_url', new_full_url
 # 添加到集合中url
 new_urls.add(new_full_url)
 return new_urls


 def _get_new_data(self, page_url, soup):
 # 定义一个dict 集合
 res_data = {}

 res_data['url'] = page_url
 # < dd class ="lemmaWgt-lemmaTitle-title" >< h1 > 自由软件 < / h1 >
 title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
 res_data['title'] = title_node.get_text()
 # <div class="lemma-summary" label-module="lemmaSummary">
 summary_node = soup.find('div', class_='lemma-summary')
 res_data['summary'] = summary_node.get_text()

 return res_data


 # 解析器
 def parser(self, page_url, html_content):

 if page_url is None or html_content is None:
 return

 # 使用BeautifulSoup 解析html页面
 soup = BeautifulSoup(html_content, '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

5、HTML 
输出页面(html_outputer.py)
# coding:utf-8

print "HTML 
输出页面" class HtmlOutput(object): def __init__(self): self.datas = [] # 收集数据 def collect_data(self, data): if data is None: return self.datas.append(data) # 展示数据 def output_html(self): fout = open('output.html', 'w') fout.write('<html>') fout.write('<head>') fout.write('<meta http-equiv="Content-Type" content="text/html;charset=utf-8">') fout.write('</head>') fout.write('<body>') fout.write('<table border="1">') for data in self.datas: fout.write('<tr>') fout.write('<td><a href = "%s">%s</a></td>' % (data['url'].encode('utf-8'), data['title'].encode('utf-8'))) fout.write('<td>%s</td>' % data['summary'].encode('utf-8')) fout.write('</tr>') fout.write('</table>') fout.write('</body>') fout.write('</html>') fout.close() 总结:python爬虫主要就是五个模块:爬虫启动入口模块,URL管理器存放已经爬虫的URL和待爬虫URL列表,html下载器,html解析器,html输出器 同时可以掌握到urllib2的使用、bs4(BeautifulSoup)页面解析器、re正则表达式、urlparse、python基础知识回顾(set集合操作)等相关内容。

声明:本网页内容旨在传播知识,若有侵权等问题请及时与本网联系,我们将在第一时间删除处理。TEL:177 7030 7066 E-MAIL:11247931@qq.com

文档

python中五个模块的详细介绍

python中五个模块的详细介绍:本次python爬虫百步百科,里面详细分析了爬虫的步骤,对每一步代码都有详细的注释说明,可通过本案例掌握python爬虫的特点:1、爬虫调度入口(crawler_main.py)# coding:utf-8 from com.wenhy.crawler_baidu_baike import url
推荐度:
标签: 介绍 模块 五个
  • 热门焦点

最新推荐

猜你喜欢

热门推荐

专题
Top