Python が Baidu Encyclopedia データをクロールする

クロール戦略

目標を決定する: どの Web サイトのどのページのデータのどの部分をクロールするかを決定します。この例では、Baidu Encyclopedia の Python エントリ ページと Python 関連のエントリ ページのタイトルと紹介をキャプチャします。
分析目標: クロールされる URL の形式を分析し、クロール範囲を制限します。キャプチャするデータの形式を分析する この例では、タイトルと紹介の 2 つのデータが配置されているタグの形式を分析する必要があります。クロールするページのエンコーディングの形式を分析する。正しい解析を実行するには、Web ページのパーサー セクションで Web ページのエンコーディングを指定する必要があります。
コードの記述: Web ページのパーサー部分では、ターゲットを分析して得られた結果が使用されます。
クローラーの実行: データキャプチャを実行します。

分析の目的

1. URL 形式
Baidu Encyclopedia の Python エントリ ページにアクセスします。ページ上の関連エントリへのリンクは、ほとんどが /view/xxx.htm です。 /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 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

html_downloader.py

# coding:utf-8
import urllib.request

class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None
        response = urllib.request.urlopen(url)
        if response.getcode() != 200:
            return None
        return response.read()

html_parser.py

# coding:utf-8
from bs4 import BeautifulSoup
import re
from urllib.parse import 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 link in 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()
        # <p class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('p', 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_url is None or html_cont is 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 data is 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 data in 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

2. データ形式

タイトルはクラス lemmaWgt-lemmaTitle-title の下の h1 サブタグにあり、序文はクラス lemma-summary の下にあります。

3. エンコード形式

ページのエンコード形式 (utf-8) を表示します。


上記の分析後の結果は次のとおりです:

コード作成

プロジェクト構造

崇高な次へ、プロジェクトのルート ディレクトリとして新しいフォルダー baike-spider を作成します。

クローラーのマスター スケジューラとして新しい Spider_main.py を作成します。

URL マネージャーとして新しい url_manger.py を作成します。 🎜HTML ダウンローダーとして新しい html_downloader.py を作成します。 🎜HTMLパーサーとして新しいhtml_parser.pyを作成します。 🎜データを書き込むためのツールとして新しい html_outputer.py を作成します。 🎜最終的なプロジェクト構造は以下のとおりです: 🎜🎜🎜spider_main.py🎜

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

🎜url_manger.py🎜

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

🎜html_downloader.py🎜rrreee🎜html_parser.py🎜rrreee🎜html_outputer。 py 🎜rrreee🎜Run🎜🎜 コマンドラインで、python Spider_main.py を実行します。 🎜🎜エンコーディングの問題🎜🎜問題の説明: UnicodeEncodeError: 'gbk' コーデックは位置の文字 'xa0' をエンコードできません...🎜🎜 Python を使用してファイルを書き込むとき、またはネットワーク データ ストリームをローカル ファイルに書き込むときに、この問題が発生しますほとんどの場合。この問題の解決方法に関する同様の記事がインターネット上にたくさんありますが、それらはエンコードとデコードにすぎません。これがこの問題の本当の原因でしょうか。いいえ。多くの場合、デコードとエンコードを使用し、utf8、utf-8、gbk、gb2312 などのさまざまなエンコードを試します。すべてのエンコードを試しましたが、依然としてエラーが発生し、イライラします。 🎜🎜Windows で Python スクリプトを書く場合、コーディングの問題は非常に深刻です。ネットワーク データ ストリームをファイルに書き込む場合、いくつかのエンコーディングが発生します: 🎜1. #encoding='XXX' 🎜 ここでのエンコーディング (つまり、Python ファイルの最初の行の内容) は、Python スクリプトのエンコーディングを指します。ファイル自体は関係ありません。 XXX のエンコードとファイル自体が同じであれば問題ありません。 🎜たとえば、notepad++の「フォーマット」メニューではさまざまなエンコードを設定できますが、このとき、メニューで設定したエンコードがXXXのエンコードと同じであることを確認する必要があります。異なる場合はエラーが報告されます。 。 🎜🎜2. ネットワーク データ ストリームのエンコーディング🎜 たとえば、Web ページを取得した場合、ネットワーク データ ストリームのエンコーディングが Web ページのエンコーディングになります。 Unicode エンコードにデコードするには、デコードを使用する必要があります。 🎜🎜3. ターゲット ファイルのエンコーディング🎜 ネットワーク データ ストリームを新しいファイルに書き込みます。ファイル書き込みコードは次のとおりです:🎜rrreee🎜 Windows では、新しいファイルのデフォルトのエンコーディングは gbk であり、Python インタープリターは gbk を使用します。ネットワーク データ ストリーム str を解析するためのエンコーディングですが、str はデコードされた Unicode エンコーディングであるため、解析に失敗し、上記の問題が発生します。 解決策は、ターゲット ファイルのエンコーディングを変更することです: 🎜

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

运行结果

更多Python抓取百度百科数据 相关文章请关注PHP中文网！