Python爬虫实现爬取百度百科词条功能实例

这篇文章主要介绍了Python爬虫实现爬取百度百科词条功能,结合完整实例形式分析了Python爬虫的基本原理及爬取百度百科词条的步骤、网页下载、解析、数据输出等相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python爬虫实现爬取百度百科词条功能。分享给大家供大家参考,具体如下:

爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后,它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止。另外,所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的查询和检索。常见的爬虫框架有Scrapy等。

自定义爬虫程序一般包含:URL管理器、网页下载器、网页解析器、输出处理器。

以下我写了一个爬取百度百科词条的实例。

爬虫主程序入口

 from crawler_test.html_downloader import UrlDownLoader from crawler_test.html_outer import HtmlOuter from crawler_test.html_parser import HtmlParser from crawler_test.url_manager import UrlManager # 爬虫主程序入口 class MainCrawler(): def __init__(self): # 初始值,实例化四大处理器:url管理器,下载器,解析器,输出器 self.urls = UrlManager() self.downloader = UrlDownLoader() self.parser = HtmlParser() self.outer = HtmlOuter() # 开始爬虫方法 def start_craw(self, main_url): print('爬虫开始...') count = 1 self.urls.add_new_url(main_url) while self.urls.has_new_url(): try: new_url = self.urls.get_new_url() print('爬虫%d,%s' % (count, new_url)) html_cont = self.downloader.down_load(new_url) new_urls, new_data = self.parser.parse(new_url, html_cont) # 将解析出的url放入url管理器,解析出的数据放入输出器中 self.urls.add_new_urls(new_urls) self.outer.conllect_data(new_data) if count >= 10:# 控制爬取的数量 break count += 1 except: print('爬虫失败一条') self.outer.output() print('爬虫结束。') if __name__ == '__main__': main_url = 'https://baike.baidu.com/item/Python/407313' mc = MainCrawler() mc.start_craw(main_url) 

URL管理器

 # URL管理器 class UrlManager(): def __init__(self): self.new_urls = set() # 待爬取 self.old_urls = set() # 已爬取 # 添加一个新的url def add_new_url(self, url): if url is None: return elif url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) # 批量添加url def add_new_urls(self, urls): if urls is None or len(urls) == 0: return else: for url in urls: self.add_new_url(url) # 判断是否有url def has_new_url(self): return len(self.new_urls) != 0 # 从待爬取的集合中获取一个url def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url 

网页下载器

 from urllib import request # 网页下载器 class UrlDownLoader(): def down_load(self, url): if url is None: return None else: rt = request.Request(url=url, method='GET')   # 发GET请求 with request.urlopen(rt) as rp:         # 打开网页 if rp.status != 200: return None else: return rp.read()            # 读取网页内容 

网页解析器

 import re from urllib import parse from bs4 import BeautifulSoup # 网页解析器,使用BeautifulSoup class HtmlParser(): # 每个词条中,可以有多个超链接 # main_url指url公共部分,如“https://baike.baidu.com/” def _get_new_url(self, main_url, soup): # baike.baidu.com/ # 计算机程序设计语言 new_urls = set() # 解析出main_url之后的url部分 child_urls = soup.find_all('a', href=re.compile(r'/item/(\%\w{2})+')) for child_url in child_urls: new_url = child_url['href'] # 再拼接成完整的url full_url = parse.urljoin(main_url, new_url) new_urls.add(full_url) return new_urls # 每个词条中,只有一个描述内容,解析出数据(词条,内容) def _get_new_data(self, main_url, soup): new_datas = {} new_datas['url'] = main_url # 

计算机程序设计语言

... new_datas['title'] = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1').get_text() # class="lemma-summary" label-module="lemmaSummary"... new_datas['content'] = soup.find('div', attrs={'label-module': 'lemmaSummary'}, class_='lemma-summary').get_text() return new_datas # 解析出url和数据(词条,内容) def parse(self, main_url, html_cont): if main_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'lxml', from_encoding='utf-8') new_url = self._get_new_url(main_url, soup) new_data = self._get_new_data(main_url, soup) return new_url, new_data

输出处理器

 # 输出器 class HtmlOuter(): def __init__(self): self.datas = [] # 先收集数据 def conllect_data(self, data): if data is None: return self.datas.append(data) return self.datas # 输出为HTML def output(self, file='output_html.html'): with open(file, 'w', encoding='utf-8') as fh: fh.write('') fh.write('') fh.write('') fh.write('爬虫数据结果') fh.write('') fh.write('') fh.write( '') fh.write('') fh.write('') fh.write('') fh.write('') fh.write('') for data in self.datas: fh.write('') fh.write(''.format(data['url'])) fh.write(''.format(data['title'])) fh.write(''.format(data['content'])) fh.write('') fh.write('
URL词条内容
{0}{0}{0}
') fh.write('') fh.write('')

效果(部分):

更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总

希望本文所述对大家Python程序设计有所帮助。

以上就是Python爬虫实现爬取百度百科词条功能实例的详细内容,更多请关注0133技术站其它相关文章!

赞(0) 打赏
未经允许不得转载:0133技术站首页 » python