Python은 간단한 크롤러를 구현합니다.-파이썬 튜토리얼-php.cn

Python은 간단한 크롤러를 구현합니다.

高洛峰

풀어 주다： 2016-12-13 13:53:39

원래의

1430명이 탐색했습니다.

소개

크롤러는 인터넷 정보를 자동으로 크롤링하는 프로그램입니다. 그것의 가치는 인터넷 데이터가 모두 내 것이라는 것입니다. 크롤링된 데이터를 사용하여 다음과 같은 다양한 작업을 수행할 수 있습니다. 데이터 통계 및 비교를 수행할 수 있습니다. 크롤링된 데이터를 사용하여 특정 측면에서 앱을 만들 수 있습니다. 또한 크롤링된 데이터를 사용하여 뉴스 리더를 만들 수도 있습니다. 등.

크롤러 아키텍처

1) URL 관리자
2) 웹 페이지 다운로더
3) 웹 페이지 분석기
4) 크롤러 호출기
5) 값 데이터 사용

크롤러 구현

1) 스케줄러 구현

# coding:utf-8
import url_manager
import html_downloader
import html_parser
import html_outputer
import url_manager
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 == 1000:
                    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)

로그인 후 복사

2) URL 관리자 구현

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

로그인 후 복사

3 ) URL 다운로더 구현

import urllib2
class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None
        response = urllib2.urlopen(url)
        if response.getcode() != 200:
            return None
        return response.read()

로그인 후 복사

4) URL 파서 구현

from bs4 import BeautifulSoup
import re
import urlparse
class HtmlParser(object):
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        links = soup.find_all(&#39;a&#39;, href=re.compile(r"/view/\d+\.htm"))
        for link in links:
            new_url = link[&#39;href&#39;]
            new_full_url = urlparse.urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls

    def _get_new_data(self, page_url, soup):
        res_data = {}
        res_data[&#39;url&#39;] = page_url
        title_node = soup.find(&#39;dd&#39;, class_="lemmaWgt-lemmaTitle-title").find("h1")
        res_data[&#39;title&#39;] = title_node.get_text()
        summary_node = soup.find(&#39;div&#39;, class_="lemma-summary")
        res_data[&#39;summary&#39;] = summary_node.get_text()
        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, &#39;html.parser&#39;, from_encoding=&#39;utf-8&#39;)
        new_urls = self._get_new_urls(page_url, soup)
        new_data = self._get_new_data(page_url, soup)
        return new_urls, new_data

로그인 후 복사

5) 값 데이터 출력 표시

# 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(&#39;output.html&#39;, &#39;w&#39;)
        fout.write("<html>")
        fout.write("<meta charset=\"UTF-8\">")
        fout.write("<body>")
        fout.write("<table>")
        for data in self.datas:
            fout.write("<tr>")
            fout.write("<td>%s</td>" % data[&#39;url&#39;])
            fout.write("<td>%s</td>" % data[&#39;title&#39;].encode(&#39;utf-8&#39;))
            fout.write("<td>%s</td>" % data[&#39;summary&#39;].encode(&#39;utf-8&#39;))
            fout.write("</tr>")
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

로그인 후 복사

실행

이것은 크롤러는 바이두백과사전의 Python 키워드와 관련된 1,000개의 정적 웹페이지를 크롤링하며, 웹페이지에 포함된 데이터는 주로 키워드 및 요약 정보를 추출하고, 크롤링된 정보를 HTML 파일 형태로 저장한 후 열어서 접근할 수 있습니다. 브라우저로.