Python爬虫架构5模板 | 你真的会写爬虫吗?,python爬虫架构图


前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者: JAP君

PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

1、写在前面的话

咱们直接进入今天的主题---你真的会写爬虫吗?为啥标题是这样,因为我们日常写小爬虫都是一个py文件加上几个请求,但是如果你去写一个正式的项目时,你必须考虑到很多种情况,所以我们需要把这些功能全部模块化,这样也使我们的爬虫更加的健全。

2、基础爬虫的架构以及运行流程

首先,给大家来讲讲基础爬虫的架构到底是啥样子的?JAP君给大家画了张粗糙的图:

在这里插入图片描述

从图上可以看到,整个基础爬虫架构分为5大类:爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器

下面给大家依次来介绍一下这5个大类的功能:

1. 爬虫调度器:主要是配合调用其他四个模块,所谓调度就是取调用其他的模板。

2. URL管理器:就是负责管理URL链接的,URL链接分为已经爬取的和未爬取的,这就需要URL管理器来管理它们,同时它也为获取新URL链接提供接口。

3. HTML下载器:就是将要爬取的页面的HTML下载下来。

4. HTML解析器:就是将要爬取的数据从HTML源码中获取出来,同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。

5.数据存储器:就是将HTML下载器发送过来的数据存储到本地。

3、实战爬取菜鸟笔记信息

差不多就介绍这么些东西,相信大家对整体的架构有了初步的认识,下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息: 在这里插入图片描述

我们来获取上面列表中的信息,这里我就省略了分析网站的一步,如果大家不会分析,可以去看我之前写的爬虫项目。

首先,我们来写一下URL管理器(URLManage.py

 1 class URLManager(object):
 2 def __init__(self):
 3 self.new_urls = set()
 4 self.old_urls = set()
 5  6 def has_new_url(self):
 7 # 判断是否有未爬取的url
 8 return self.new_url_size()!=0
 9 10 def get_new_url(self):
11 # 获取一个未爬取的链接
12         new_url = self.new_urls.pop()
13 # 提取之后,将其添加到已爬取的链接中
14 self.old_urls.add(new_url)
15 return new_url
16 17 def add_new_url(self, url):
18 # 将新链接添加到未爬取的集合中(单个链接)
19 if url is None:
20 return
21 if url not in self.new_urls and url not in self.old_urls:
22 self.new_urls.add(url)
23 24 def add_new_urls(self,urls):
25 # 将新链接添加到未爬取的集合中(集合)
26 if urls is None or len(urls)==0:
27 return
28 for url in urls:
29 self.add_new_url(url)
30 31 def new_url_size(self):
32 # 获取未爬取的url大小
33 return len(self.new_urls)
34 35 def old_url_size(self):
36 # 获取已爬取的url大小
37 return len(self.old_urls)

 

在这里主要就是两个集合,一个是已爬取URL的集合,另一个是未爬取URL的集合。这里我使用的是set类型,因为set自带去重的功能。

接下来,HTML下载器(HTMLDownload.py

 1 import requests
 2 class HTMLDownload(object):
 3 def download(self, url):
 4 if url is None:
 5 return
 6         s = requests.Session()
 7         s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
 8         res = s.get(url)
 9 # 判断是否正常获取
10 if res.status_code == 200:
11             res.encoding='utf-8'
12             res = res.text
13 return res
14         return None

 

可以看到这里我们只是简单的获取了,url中的html源码

接着看HTML解析器(HTMLParser.py

 1 import re
 2 from bs4 import BeautifulSoup
 3 class HTMLParser(object):
 4  5 def parser(self, page_url, html_cont):
 6 '''
 7         用于解析网页内容,抽取URL和数据
 8         :param page_url: 下载页面的URL
 9         :param html_cont: 下载的网页内容
10         :return: 返回URL和数据
11         '''
12 if page_url is None or html_cont is None:
13 return
14         soup = BeautifulSoup(html_cont, 'html.parser')
15         new_urls = self._get_new_urls(page_url, soup)
16         new_data = self._get_new_data(page_url, soup)
17 return new_urls, new_data
18 19 def _get_new_urls(self,page_url,soup):
20 '''
21         抽取新的URL集合
22         :param page_url:下载页面的URL
23         :param soup: soup数据
24         :return: 返回新的URL集合
25         '''
26         new_urls = set()
27 for link in range(1,100):
28 # 添加新的url
29             new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
30             new_urls.add(new_url)
31             print(new_urls)
32 return new_urls
33 34 def _get_new_data(self,page_url,soup):
35 '''
36          抽取有效数据
37          :param page_url:下载页面的url
38          :param soup:
39          :return: 返回有效数据
40          '''
41          data={}
42          data['url'] = page_url
43          title = soup.find('div', class_='post-intro').find('h2')
44          print(title)
45          data['title'] = title.get_text()
46          summary = soup.find('div', class_='post-intro').find('p')
47          data['summary'] = summary.get_text()
48          return data

 

在这里,我们将HTML下载器的源码进行了分析和解析,从而得到了我们想要拿到的数据,如果BeautifulSoup不懂的可以去看一下我之前写的文章。

继续看,数据存储器(DataOutput.py

 1 import codecs
 2 class DataOutput(object):
 3  4 def __init__(self):
 5 self.datas = []
 6  7 def store_data(self,data):
 8 if data is None:
 9 return
10 self.datas.append(data)
11 12 def output_html(self):
13         fout = codecs.open('baike.html', 'a', encoding='utf-8')
14         fout.write("<html>")
15         fout.write("<head><meta charset='utf-8'/></head>")
16         fout.write("<body>")
17         fout.write("<table>")
18 for data in self.datas:
19             fout.write("<tr>")
20             fout.write("<td>%s</td>"%data['url'])
21             fout.write("<td>《%s》</td>" % data['title'])
22             fout.write("<td>[%s]</td>" % data['summary'])
23             fout.write("</tr>")
24 self.datas.remove(data)
25         fout.write("</table>")
26         fout.write("</body>")
27         fout.write("</html>")
28         fout.close()

 

大家可能发现我这里是将数据存储到一个html的文件当中,在这里你当然也可以存在Mysql或者csv等文件当中,这个看自己的选择,我这里只是为了演示所以就放在了html当中。

最后一个,爬虫调度器(SpiderMan.py

 1 from base.DataOutput import DataOutput
 2 from base.HTMLParser import HTMLParser
 3 from base.HTMLDownload import HTMLDownload
 4 from base.URLManager import URLManager
 5  6 class SpiderMan(object):
 7 def __init__(self):
 8         self.manager = URLManager()
 9         self.downloader = HTMLDownload()
10         self.parser = HTMLParser()
11         self.output = DataOutput()
12 13 14 def crawl(self, root_url):
15 # 添加入口URL
16         self.manager.add_new_url(root_url)
17 # 判断url管理器中是否有新的url,同时判断抓取多少个url
18 while(self.manager.has_new_url() and self.manager.old_url_size()<100):
19 try:
20 # 从URL管理器获取新的URL
21                 new_url = self.manager.get_new_url()
22                 print(new_url)
23 # HTML下载器下载网页
24                 html = self.downloader.download(new_url)
25 # HTML解析器抽取网页数据
26                 new_urls, data = self.parser.parser(new_url, html)
27                 print(new_urls)
28 # 将抽取的url添加到URL管理器中
29                 self.manager.add_new_urls(new_urls)
30 # 数据存储器存储文件
31                 self.output.store_data(data)
32                 print("已经抓取%s个链接" % self.manager.old_url_size())
33 except Exception as e:
34                 print("failed")
35                 print(e)
36 # 数据存储器将文件输出成指定的格式
37             self.output.output_html()
38 39 40 if __name__ == '__main__':
41     spider_man = SpiderMan()
42     spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

 

相信这里大家都能看懂,我就是将前面我们写的四个模板在这里把它们调用了一下,我们运行后的结果: 在这里插入图片描述

总结

我们这里简单的讲解了一下,爬虫架构的五个模板,无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板,希望大家能够照着这些代码写一遍,这样有利于大家的理解,大家以后写爬虫项目也要按照这种架构去写,这样你的爬虫看起来就会更加的规范、健全。

相关内容

    暂无相关文章

评论关闭