你真的會寫爬蟲嗎？
阿新 • • 發佈：2022-03-05
1寫在前面的話
咱們直接進入今天的主題---你真的會寫爬蟲嗎？為啥標題是這樣，因為我們日常寫小爬蟲都是一個py檔案加上幾個請求，但是如果你去寫一個正式的專案時，你必須考慮到很多種情況，所以我們需要把這些功能全部模組化，這樣也使我們的爬蟲更加的健全。
2基礎爬蟲的架構以及執行流程
首先，給大家來講講基礎爬蟲的架構到底是啥樣子的？JAP君給大家畫了張粗糙的圖：
從圖上可以看到，整個基礎爬蟲架構分為5大類：爬蟲排程器、URL管理器、HTML下載器、HTML解析器、資料儲存器。
下面給大家依次來介紹一下這5個大類的功能：
-
爬蟲排程器，主要是配合呼叫其他四個模組，所謂排程就是取呼叫其他的模板
-
URL管理器，就是負責管理URL連結的，URL連結分為已經爬取的和未爬取的，這就需要URL管理器來管理它們，同時它也為獲取新URL連結提供介面。
-
HTML下載器，就是將要爬取的頁面的HTML下載下來
-
HTML解析器，就是將要爬取的資料從HTML原始碼中獲取出來，同時也將新的URL連結傳送給URL管理器以及將處理後的資料傳送給資料儲存器。
-
資料儲存器，就是將HTML下載器傳送過來的資料儲存到本地
3實戰爬取菜鳥筆記資訊
差不多就介紹這麼些東西，相信大家對整體的架構有了初步的認識，下面我簡單找了個網站給大家演示一遍用爬蟲架構來爬取資訊：
（目標站點）
我們來獲取上面列表中的資訊，這裡我就省略了分析網站的一步，如果大家不會分析，可以去看我之前寫的爬蟲專案。
首先，我們來寫一下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): # 判斷是否有未爬取的url return self.new_url_size()!=0 def get_new_url(self): # 獲取一個未爬取的連結 new_url = self.new_urls.pop()# 提取之後，將其新增到已爬取的連結中 self.old_urls.add(new_url) return new_url def add_new_url(self, url): # 將新連結新增到未爬取的集合中(單個連結) 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): # 將新連結新增到未爬取的集合中(集合) if urls is None or len(urls)==0: return for url in urls: self.add_new_url(url) def new_url_size(self): # 獲取未爬取的url大小 return len(self.new_urls) def old_url_size(self): # 獲取已爬取的url大小 return len(self.old_urls)
在這裡主要就是兩個集合，一個是已爬取URL的集合，另一個是未爬取URL的集合。這裡我使用的是set型別，因為set自帶去重的功能。
接下來，HTML下載器（HTMLDownload.py）
import requests class 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) # 判斷是否正常獲取 if res.status_code == 200: res.encoding='utf-8' res = res.text return res return None
可以看到這裡我們只是簡單的獲取了，url中的html原始碼接著看HTML解析器（HTMLParser.py）
import re from bs4 import BeautifulSoup class HTMLParser(object): def parser(self, page_url, html_cont): ''' 用於解析網頁內容，抽取URL和資料 :param page_url: 下載頁面的URL :param html_cont: 下載的網頁內容 :return: 返回URL和資料 ''' 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_data def _get_new_urls(self,page_url,soup): ''' 抽取新的URL集合 :param page_url:下載頁面的URL :param soup: soup資料 :return: 返回新的URL集合 ''' new_urls = set() for link in range(1,100): # 新增新的url new_url = "http://www.runoob.com/w3cnote/page/"+str(link) new_urls.add(new_url) print(new_urls) return new_urls def _get_new_data(self,page_url,soup): ''' 抽取有效資料 :param page_url:下載頁面的url :param soup: :return: 返回有效資料 ''' 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
在這裡，我們將HTML下載器的原始碼進行了分析和解析，從而得到了我們想要拿到的資料，如果BeautifulSoup不懂的可以去看一下我之前寫的文章。
繼續看，資料儲存器（DataOutput.py）
import codecs class DataOutput(object): def __init__(self): self.datas = [] def store_data(self,data): if data is None: return self.datas.append(data) def output_html(self): fout = codecs.open('baike.html', 'a', encoding='utf-8') fout.write("<html>") fout.write("<head><meta charset='utf-8'/></head>") 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>") self.datas.remove(data) fout.write("</table>") fout.write("</body>") fout.write("</html>") fout.close()
大家可能發現我這裡是將資料儲存到一個html的檔案當中，在這裡你當然也可以存在Mysql或者csv等檔案當中，這個看自己的選擇，我這裡只是為了演示所以就放在了html當中。
最後一個，爬蟲排程器（SpiderMan.py）
from base.DataOutput import DataOutput from base.HTMLParser import HTMLParser from base.HTMLDownload import HTMLDownload from base.URLManager import URLManager class SpiderMan(object): def __init__(self): self.manager = URLManager() self.downloader = HTMLDownload() self.parser = HTMLParser() self.output = DataOutput() def crawl(self, root_url): # 新增入口URL self.manager.add_new_url(root_url) # 判斷url管理器中是否有新的url，同時判斷抓取多少個url while(self.manager.has_new_url() and self.manager.old_url_size()<100): try: # 從URL管理器獲取新的URL new_url = self.manager.get_new_url() print(new_url) # HTML下載器下載網頁 html = self.downloader.download(new_url) # HTML解析器抽取網頁資料 new_urls, data = self.parser.parser(new_url, html) print(new_urls) # 將抽取的url新增到URL管理器中 self.manager.add_new_urls(new_urls) # 資料儲存器儲存檔案 self.output.store_data(data) print("已經抓取%s個連結" % self.manager.old_url_size()) except Exception as e: print("failed") print(e) # 資料儲存器將檔案輸出成指定的格式 self.output.output_html() if __name__ == '__main__': spider_man = SpiderMan() spider_man.crawl("http://www.runoob.com/w3cnote/page/1")
相信這裡大家都能看懂，我就是將前面我們寫的四個模板在這裡把它們呼叫了一下，我們執行後的結果：
4總結
我們這裡簡單的講解了一下，爬蟲架構的五個模板，無論是大型爬蟲專案還是小型的爬蟲專案都離不開這五個模板，希望大家能夠照著這些程式碼寫一遍，這樣有利於大家的理解，大家以後寫爬蟲專案也要按照這種架構去寫，這樣你的爬蟲看起來就會更加的規範、健全。
轉自：微信公眾號：JAVAandPython君