html模板存储在mysql_Python爬虫架构5模板 | 你真的会写爬虫吗?
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:
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)
class URLManager(object):def __init__(self):self.new_urls = set()self.old_urls = set()def has_new_url(self):# 判断是否有未爬取的urlreturn self.new_url_size()!=0def get_new_url(self):# 获取一个未爬取的链接 new_url = self.new_urls.pop()# 提取之后,将其添加到已爬取的链接中self.old_urls.add(new_url)return new_urldef add_new_url(self, url):# 将新链接添加到未爬取的集合中(单个链接)if url is None:returnif url not in self.new_urls and url not in self.old_urls:self.new_urls.add(url)def add_new_urls(self,urls):# 将新链接添加到未爬取的集合中(集合)if urls is None or len(urls)==0:returnfor url in urls:self.add_new_url(url)def new_url_size(self):# 获取未爬取的url大小return len(self.new_urls)def old_url_size(self):# 获取已爬取的url大小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)
import requestsclass HTMLDownload(object):def download(self, url):if url is None:return s = requests.Session() s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36' res = s.get(url)# 判断是否正常获取if res.status_code == 200: res.encoding='utf-8' res = res.textreturn res 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)
import refrom bs4 import BeautifulSoupclass HTMLParser(object):def parser(self, page_url, html_cont):''' 用于解析网页内容,抽取URL和数据 :param page_url: 下载页面的URL :param html_cont: 下载的网页内容 :return: 返回URL和数据 '''if page_url is None or html_cont is None:return soup = BeautifulSoup(html_cont, 'html.parser') new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup)return new_urls, new_datadef _get_new_urls(self,page_url,soup):''' 抽取新的URL集合 :param page_url:下载页面的URL :param soup: soup数据 :return: 返回新的URL集合 ''' new_urls = set()for link in range(1,100):# 添加新的url new_url = "http://www.runoob.com/w3cnote/page/"+str(link) new_urls.add(new_url) print(new_urls)return new_urlsdef _get_new_data(self,page_url,soup):''' 抽取有效数据 :param page_url:下载页面的url :param soup: :return: 返回有效数据 ''' data={} data['url'] = page_url title = soup.find('div', class_='post-intro').find('h2') print(title) data['title'] = title.get_text() summary = soup.find('div', class_='post-intro').find('p') data['summary'] = summary.get_text() 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)
import codecsclass DataOutput(object):def __init__(self):self.datas = []def store_data(self,data):if data is None:returnself.datas.append(data)def output_html(self): fout = codecs.open('baike.html', 'a', encoding='utf-8') fout.write("") fout.write("") fout.write("") fout.write("
%s | 《%s》 | [%s] |
") fout.write("") fout.write("") 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)
from base.DataOutput import DataOutputfrom base.HTMLParser import HTMLParserfrom base.HTMLDownload import HTMLDownloadfrom base.URLManager import URLManagerclass SpiderMan(object):def __init__(self): self.manager = URLManager() self.downloader = HTMLDownload() self.parser = HTMLParser() self.output = DataOutput()def crawl(self, root_url):# 添加入口URL self.manager.add_new_url(root_url)# 判断url管理器中是否有新的url,同时判断抓取多少个urlwhile(self.manager.has_new_url() and self.manager.old_url_size()<100):try:# 从URL管理器获取新的URL new_url = self.manager.get_new_url() print(new_url)# HTML下载器下载网页 html = self.downloader.download(new_url)# HTML解析器抽取网页数据 new_urls, data = self.parser.parser(new_url, html) print(new_urls)# 将抽取的url添加到URL管理器中 self.manager.add_new_urls(new_urls)# 数据存储器存储文件 self.output.store_data(data) print("已经抓取%s个链接" % self.manager.old_url_size())except Exception as e: print("failed") print(e)# 数据存储器将文件输出成指定的格式 self.output.output_html()if __name__ == '__main__': spider_man = SpiderMan() 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
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。
html模板存储在mysql_Python爬虫架构5模板 | 你真的会写爬虫吗?相关推荐
- php和python写爬虫-python和php哪个更适合写爬虫
python和PHP相比较,python适合做爬虫.原因如下 抓取网页本身的接口 相比与其他静态编程语言,如java,c#,C++,python抓取网页文档的接口更简洁:相比其他动态脚本语言,如per ...
- python爬虫的数据如何解决乱码_写爬虫时如何解决网页乱码问题
实战讲解,文章较长,对爬虫比较熟悉的浏览翻看章节 2.3 获取新闻文本内容. 写爬虫时经常对网址发起请求,结果返回的html数据除了标签能看懂,其他的全部是乱码.大家如果对爬虫感兴趣,请耐心阅读本文, ...
- python爬虫课程设计过程_[Python]新手写爬虫全过程(已完成)
今天早上起来,第一件事情就是理一理今天该做的事情,瞬间get到任务,写一个只用python字符串内建函数的爬虫,定义为v1.0,开发中的版本号定义为v0.x.数据存放?这个是一个练手的玩具,就写在tx ...
- 虎扑《不冷笑话》爬虫实战,顺带说说最近学写爬虫的经历(一)
前言 楼主16年毕业,工作内容目前主要以ETL开发为主.有一段时间逛知乎,经常看到有人分享一些数据分析的文章,比如美团上的点餐分析.豆瓣的评分分析,还有网易云音乐热评分析之类的.感觉这些文章都是有实打 ...
- 猫哥教你写爬虫 046--协程-实践-吃什么不会胖
吃什么不会胖? 低热量食物 食物的数量有千千万,如果我们要爬取食物热量的话,这个数据量必然很大. 使用多协程来爬取大量的数据是非常合理且明智的选择 如果我们要爬取的话,那就得选定一个有存储食物热量信息 ...
- 用Python写爬虫有哪些好处?
大家都知道,关于爬虫几乎每种编程语言都可以实现,比如:Java.C.C++.python等都可以实现爬虫,但是之所以会选择python写爬虫,是因为python具有独特的优势.那么用python语言写 ...
- 猫哥教你写爬虫 006--条件判断和条件嵌套
流程控制 复仇者联盟3-无限战争(搜集宝石) python里面, 不需要使用;来结尾, 因为python是使用换行来结束一行代码的 if判断, 没有{}, python使用缩进来表示层级关系 if.. ...
- 猫哥教你写爬虫 002--作业-打印皮卡丘
作业 请你使用print()函数将下面的皮卡丘打印出来, 使用三种方式 へ /|/\7 ∠_// │ / /│ Z _,< / /`ヽ│ ヽ / 〉Y ` / /イ● 、 ● ⊂⊃〈 /() へ ...
- 生成的头_Python爬虫偷懒神器!快速一键生成Python爬虫请求头
今天介绍个神奇的网站!堪称爬虫偷懒的神器! 我们在写爬虫,构建网络请求的时候,不可避免地要添加请求头( headers ),以 mdn 学习区为例,我们的请求头是这样的: 一般来说,我们只要添加 us ...
最新文章
- c语言测验答案,C语言测验题答案.doc
- 认识了一个新的手机游戏剖析工具- SnapDragon Profiler
- Codeforces 229D
- bat tomcat程序在后台执行_jenkins 中利用 cmd 命令启动 tomcat,进程被杀
- 怎么去除三角下拉_用什么方法可以有效去除外墙涂料?
- 开课吧:深入了解人工智能在金融行业中的应用
- html段落排版,美化网页段落排版的css教程
- 面向对象六大原则----imageLoader为例层层优化
- Django(四):模型层Model
- asp上传服务器后台图片显示,asp.net上传图片到服务器方法详解
- VLAN、OSPF、GRE或IPSEC配置作业与抓包内容(新手入门)
- 权限梳理_请梳理头发,擦鼻子-我单身父亲的月
- 笔记_KMeans聚类
- DKMS解决nvidia-smi驱动丢失的问题
- 求学之路五、六月的Review
- 怎么在微信公众平台上传PPT?
- 判断N维矩阵是否是Monge矩阵的Java实现
- 定时自动关闭程序、打开网页和隐藏任务计划
- velocity学习(2)--VTL 语法
- 课程学习:Linux系统管理
热门文章
- c++强大还是python强大-如果C++很强大,为什么它不及Java、Python流行?
- python教程实例-Python实例教程
- 从零开始学python电子书-从零开始学Python程序设计 PDF
- python乘法口诀代码-python---九九乘法表代码
- 自学python可以找到好的工作吗-学好python能找到好工作吗?
- python之父叫什么-Python之父谈Python的未来形式
- 爬虫python需要什么软件-学python爬虫能做什么
- FTP,SFTP,FTPS三个文件传输协议的区别
- angular环境搭建
- LeetCode Linked List Cycle