Python爬虫架构5模板 | 你真的会写爬虫吗?,python爬虫架构图
Python爬虫架构5模板 | 你真的会写爬虫吗?,python爬虫架构图
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:
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:
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:
总结
相关内容
- 暂无相关文章
评论关闭