抓取策略

确定目标：确定抓取哪个网站的哪些页面的哪部分数据。本实例抓取百度百科python词条页面以及python相关词条页面的标题和简介。

分析目标：分析要抓取的url的格式，限定抓取范围。分析要抓取的数据的格式，本实例中就要分析标题和简介这两个数据所在的标签的格式。分析要抓取的页面编码的格式，在网页解析器部分，要指定网页编码，然后才能进行正确的解析。

编写代码：在网页解析器部分，要使用到分析目标得到的结果。

执行爬虫：进行数据抓取。

分析目标

1、url格式

进入百度百科python词条页面，页面中相关词条的链接比较统一，大都是 /view/xxx.htm 。

2、数据格式

标题位于类lemmaWgt-lemmaTitle-title下的h1子标签，简介位于类lemma-summary下。

3、编码格式

查看页面编码格式，为utf-8。

经过以上分析，得到结果如下：

代码编写

项目结构

在sublime下，新建文件夹baike-spider，作为项目根目录。

新建spider_main.py，作为爬虫总调度程序。

新建url_manger.py，作为url管理器。

新建html_downloader.py，作为html下载器。

新建html_parser.py，作为html解析器。

新建html_outputer.py，作为写出数据的工具。

最终项目结构如下图：

spider_main.py

# coding:utf-8

import url_manager, html_downloader, html_parser, html_outputer  

 

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, root_url):

        count = 1

        self.urls.add_new_url(root_url)

        while self.urls.has_new_url():

            try:

                new_url = self.urls.get_new_url()

                print('craw %d : %s' % (count, new_url))

                html_cont = self.downloader.download(new_url)

                new_urls, new_data = self.parser.parse(new_url, html_cont)

                self.urls.add_new_urls(new_urls)

                self.outputer.collect_data(new_data)

 

                if count == 10:

                    break

 

                  count = count + 1

            except:

                print('craw failed')

 

          self.outputer.output_html()

 

if __name__=='__main__':

    root_url = 'http://baike.baidu.com/view/21087.htm'

    obj_spider = SpiderMain()

    obj_spider.craw(root_url)

url_manger.py

# coding:utf-8

class UrlManager(object):

    def __init__(self):

        self.new_urls = set()

        self.old_urls = set()

 

   def add_new_url(self, url):

         if urlis None:

            return

        if urlnot in self.new_urlsand urlnot in self.old_urls:

            self.new_urls.add(url)

 

   def add_new_urls(self, urls):

        if urlsis None or len(urls) == 0:

            return

       for urlin urls:

            self.add_new_url(url)

 

  def has_new_url(self):

        return len(self.new_urls) != 0

  def get_new_url(self):

        new_url = self.new_urls.pop()

        self.old_urls.add(new_url)

        return new_url

html_downloader.py

# coding:utf-8

import urllib.request

 

class HtmlDownloader(object):

    def download(self, url):

        if urlis None:

            return None

        response = urllib.request.urlopen(url)

        if response.getcode() != 200:

            return None

        return response.read()

html_parser.py

# coding:utf-8

from bs4import BeautifulSoup

import re

from urllib.parseimport urljoin

 

class HtmlParser(object):

    def _get_new_urls(self, page_url, soup):

        new_urls = set()

        # /view/123.htm

        links = soup.find_all('a', href=re.compile(r'/view/\d+\.htm'))

        for linkin links:

            new_url = link['href']

            new_full_url = urljoin(page_url, new_url)

            # print(new_full_url)

            new_urls.add(new_full_url)

        #print(new_urls)

        return new_urls

 

  def _get_new_data(self, page_url, soup):

        res_data = {}

        # url

        res_data['url'] = page_url

        # <dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</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()

        # print(res_data)

        return res_data

 

   def parse(self, page_url, html_cont):

        if page_urlis None or html_contis None:

            return

        soup = BeautifulSoup(html_cont, 'html.parser')

        # print(soup.prettify())

        new_urls = self._get_new_urls(page_url, soup)

        new_data = self._get_new_data(page_url, soup)

        # print('mark')

        return new_urls, new_data

html_outputer.py

# coding:utf-8

class HtmlOutputer(object):

    def __init__(self):

        self.datas = []

 

   def collect_data(self, data):

        if datais None:

            return

        self.datas.append(data)

 

      def output_html(self):

        fout = open('output.html','w', encoding='utf-8')

 

        fout.write('<html>')

        fout.write('<body>')

        fout.write('<table>')

 

        for datain self.datas:

            fout.write('<tr>')

            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>')

 

       fout.close()

运行

在命令行下，执行 python spider_main.py 。

编码问题

问题描述：UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘xa0’ in position …

使用Python写文件的时候，或者将网络数据流写入到本地文件的时候，大部分情况下会遇到这个问题。网络上有很多类似的文章讲述如何解决这个问题，但是无非就是encode，decode相关的，这是导致该问题出现的真正原因吗？不是的。很多时候，我们使用了decode和encode，试遍了各种编码，utf8，utf-8，gbk，gb2312等等，该有的编码都试遍了，可是仍然出现该错误，令人崩溃。

在windows下面编写python脚本，编码问题很严重。将网络数据流写入文件时，我们会遇到几个编码：

1、#encoding=’XXX’

这里(也就是python文件第一行的内容)的编码是指该python脚本文件本身的编码，无关紧要。只要XXX和文件本身的编码相同就行了。

比如notepad++”格式”菜单里面里可以设置各种编码，这时需要保证该菜单里设置的编码和encoding XXX相同就行了，不同的话会报错。

2、网络数据流的编码

比如获取网页，那么网络数据流的编码就是网页的编码。需要使用decode解码成unicode编码。

3、目标文件的编码

将网络数据流写入到新文件，写文件代码如下：

fout = open('output.html','w')

fout.write(str)

在windows下面，新文件的默认编码是gbk，python解释器会用gbk编码去解析我们的网络数据流str，然而str是decode过的unicode编码，这样的话就会导致解析不了，出现上述问题。 解决的办法是改变目标文件的编码：

fout = open('output.html','w', encoding='utf-8')

运行结果

 

源码分享

https://github.com/voidking/baike-spider