python360百科_python抓取360百科踩过的坑!
学习python一周,学着写了一个爬虫,用来抓取360百科的词条,在这个过程中。因为一个小小的修改,程序出现一些问题,又花了几天时间研究,问了各路高手,都没解决,终于还是自己攻克了,事实上就是对list列表理解不够深入导致的。这个bug非常有借鉴意义,分享出现。
先看看终于抓取出的结果:
以下进入正题。先来看看文件结构。这里有5个模块:
spider_main.py是入口函数
url_manager.py是管理器,管理须要抓取的url和已经抓取的url
html_downloader.py是下载器,下载相应url的网页
html_parser.py是解析器,解析出新的url列表和当前的词条信息
html_outputer.py是输出器。将抓取的词条title和解释summary输出成一个html表格
本程序使用的是最新的python3.4.4。使用的类库有:
官方的urllib
第三方的BeautifulSoup(自行下载安装)
一、spider_main.py
这个函数是入口函数,全部方法都是字面意思,能够到相应的类中查看
from baike360_spider 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):
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 == 5:
break
count += 1
except Exception as e:
print(‘craw failed‘)
print(e)
self.outputer.output_html()
if __name__ == ‘__main__‘:
root_url = ‘http://baike.so.com/doc/1790119-1892991.html‘
obj_spider = SpiderMain()
obj_spider.craw()
二、url_manager.py
管理器的作用是处理新的须要抓取的url和已经抓取的url,因此在构造函数里面初始化两个变量,相应有4个方法,功能都非常easy,看看就懂。
class UrlManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
def add_new_url(self, url):
if url is None:
return
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
def add_new_urls(self, urls):
if urls is None or len(urls) == 0:
return
for url in 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
三、html_downloader.py
把相应的url网页下载下来,准备给解析器解析须要的数据
import urllib.request
class HtmlDownloader(object):
def download(self, url):
if url is None:
return
res = urllib.request.urlopen(url)
if res.getcode() != 200:
return
return res.read()
四、html_parser.py
解析器的作用是对传入的url和html网页进行解析。使用到BeautifulSoup第三方库,相应有两个私有方法,一个解析出该网页下全部的链接。存到list中,方便下次随机抽取。还有一个解析出当前网页词条的title和summary,放到一个字典中。里面有3个key:url、title和summary。
在这个类里面踩了一个大坑,最后再讲!
import re
from urllib.parse import urljoin
from bs4 import BeautifulSoup
class HtmlParser(object):
def __init__(self):
self.new_urls = set()
# self.res_data = dict()
def _get_new_urls(self, page_url, soup):
# new_urls = set()
# /doc/5912108-6125016.html或/doc/3745498.html
links = soup.find_all(‘a‘, href=re.compile(r‘/doc/[\d-]+\.html‘))
for link in links:
new_url = link[‘href‘]
new_full_url = urljoin(page_url, new_url)
# print(new_full_url)
self.new_urls.add(new_full_url)
return self.new_urls
def _get_new_data(self, page_url, soup):
res_data = dict()
# url
res_data[‘url‘] = page_url
# Python
title_node = soup.find(‘span‘, class_=‘title‘)
res_data[‘title‘] = title_node.get_text()
#
summary_node = soup.find(‘div‘, class_=‘card_content‘).find(‘p‘)
res_data[‘summary‘] = summary_node.get_text()
# print("dd: ", self.res_data)
return res_data
def parse(self, page_url, html_cont):
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont, ‘html.parser‘, from_encoding=‘utf-8‘)
new_urls = self._get_new_urls(page_url, soup)
new_data = self._get_new_data(page_url, soup)
return new_urls, new_data
五、html_outputer.py
输出器的作用是把解析器解析出的网页字典存入列表。然后循环输出一个html表格
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
def output_html(self):
fout = open(‘output.html‘, ‘w‘, encoding=‘utf-8‘)
fout.write(‘‘)
fout.write("
")
fout.write(‘
‘)
fout.write(‘
for data in self.datas:
fout.write(‘
‘)
fout.write(‘
%s‘ % (data[‘url‘], data[‘title‘]))
fout.write(‘
%s‘ % data[‘summary‘])
fout.write(‘
‘)
fout.write(‘
‘)
fout.write(‘‘)
fout.write(‘‘)
fout.close()
六、*****关键。我踩过的坑!
!!!
我把解析器里面的res_data字典的初始化放到了构造函数里面,造成的结果是输出的表格是5个反复的数据,都是和最后一组一样。!
喜欢思考的同学能够想想是为什么?
原因分析:
这要涉及到list列表和字典的性质了
首先,字典的key相应的value是不可变的,假设强行又一次赋值,会覆盖上次的数据!
①第1次抓取后,res_data指向了字典{‘a‘: 1}
②res_data传入输出器后,self.datas列表内容也指向了字典{‘a‘: 1}
③第2次抓取后,解析器里面对a又一次赋新值2了,此时事实上是res_data指向了新的字典{‘a‘:
2}。因为原指向的key一样,也一起变成了字典{‘a‘: 2},此时事实上self.datas列表的指向也变成了原字典{‘a‘:
2}(假设你在入口函数断点查看,会出现一个奇葩的事。就是执行完解析器,可是还没执行输出器时,输出器的self.datas已经变成和新解析出的值一样了。!。当时我纠结了几天)
④当res_data再次传入输出器后,会被加入后self.datas列表后面,因为原来里面的字典已经变成了{‘a‘:
2},全部此时会出现2个{‘a‘: 2},即
?
?self.datas = [{‘a‘: 2},?{‘a‘: 2}]
⑤如此循环抓取5次,终于self.datas里面是5个一样的字典。并且都和最后一次抓取的一样!
那么你可能会问,为什么把res_data初始化放在私有方法_get_new_data里面就没问题呢?因为初始化在这里,每实例化一次解析器,就又一次执行一次这个函数。也会清空res_data字典,因此和原来指向的字典断开了,又一次赋值也不会影响到原来的字典了。
python360百科_python抓取360百科踩过的坑!相关推荐
- python类百度百科_Python抓取百度百科数据
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 ...
- 抓取2021百科知识竞赛题库和答案
抓取2021百科知识竞赛题库和答案 刚学习PYTHON,希望路过的高手给个JSON方法. from selenium import webdriver import time # 引入 driver ...
- 【解决抓包工具fiddler不抓取360浏览器的数据的问题】
抓包工具fiddler不抓取360浏览器的数据 fiddler可以抓到Firefox浏览器的包,但是抓不到360浏览器的包. 操作步骤: 打开Fiddler -> 菜单栏 工具(Tools )- ...
- python抓虫_python抓取糗事百科并保存文件的小虫虫代码
本帖最后由 ivenzlzhang 于 2018-8-21 14:13 编辑 本人python小白,近一个月在学习python编程,发现python强大的第三方库简直是小白的福音. 因此把学习用的知识 ...
- 使用CURL构建爬虫,抓取百度百科内容
实现这个功能的步骤: 首先打开百度百科,在搜索框输入"php"关键词,得到搜索列表,一般都是10条: 然后使用火狐的Firebug分析百度列表的内容组成,主要是html标签,发现去 ...
- HTML Parser Jsoup - 网页抓取百度百科信息的例子
目标:获取百度百科基本信息.信息列表.人物图片(同名情况暂不考虑). 重点:调用开源Jar包Jsoup对HTML解析.网页抓取.简单爬虫. 例子(部分类去掉,运行需改改code): import ja ...
- python爬取360百科获取春晚基本信息
前言 之前看到大佬爬取维基百科获取春晚的信息,做了些数据分析,我也想跟着试一下,但是- 不过我居然在360百科上面发现了多年春晚的信息,便选择从360百科爬取. 站点分析 从网站可以看出,它的每个词条 ...
- 通过爬虫抓取秒懂百科视频
最近想做一个小项目,需要一些百科知识.我便把目标瞄准了百度百科上. 爬取百科文本,相对容易,爬取秒懂百科的视频文件,就有些麻烦了.以前也爬过阳光视频的视频文件,阳光视频在网页源码中能找到一个加密的视频 ...
- java 爬 维基百科_爬取维基百科词条
python爬取维基百科词条,获得某词汇页面中释义段落的加粗词汇.链接词汇以及所爬词汇对应的分类,为自动构建同义词汇树准备数据. 以下代码可能为一次性代码,因为解析html靠的是标签的相对位置,维基百 ...
最新文章
- tensorflow youtube的一点笔记
- Linux分区的认识
- 会刷编程竞赛题的AlphaCode来了!
- Linux Web服务器网站故障分析常用的命令
- zcmu1156(树状数组)
- golang go mod包管理:安装第三方包的三种方式(go get/go mod download/go mod vendor)
- python中字母大小顺序,如何在Python中按字母顺序对unicode字符串排序?
- Java内存模型(Java Memory Model,简称JMM)
- 老李分享知识:性能测试之TPS和吞吐率
- [状压dp] 洛谷 P1879 玉米田
- unable to connect to ssl://gateway.sandbox.push.apple.com:2195 错误
- 查看系统使用率命令 vmstat 输出详解!
- Error:algorithms should be set错误
- Android | Tangram动态页面之路(七)硬核的Virtualview
- phpmyadmin 安装下载使用教程
- PyCharm 不能自动生成函数注释
- vm虚拟机dnf过检测
- jenkins部署流程图_jenkins怎样实现自动部署的流程图
- Unity 科大讯飞语音唤醒
- 机器学习-有监督无监督