python爬虫的步骤,网络爬虫的一般步骤
大蟒网络爬虫步骤:首先准备所需库,编写爬虫调度程序;然后编写全球资源定位器(统一资源定位器)管理器,并编写网页下载器;接着编写网页解析器;最后编写网页输出器即可。
本教程操作环境:windows7系统、python3.9版,戴尔自交第三代电脑。
python网络爬虫步骤
(1)准备所需库
我们需要准备一款名为美丽的声音(网页解析)的开源库,用于对下载的网页进行解析,我们是用的是皮查姆编译环境所以可以直接下载该开源库。
步骤如下:
选择文件-设置
打开项目:PythonProject项目下的项目解释程序
点击加号添加新的库
输入bs4选择bs4点击安装包进行下载
(2)编写爬虫调度程序
这里的自行车_蜘蛛是项目名称引入的四个类分别对应下面的四段代码全球资源定位器(统一资源定位器)管理器,网址下载器,网址解析器,网址输出器。
# 爬虫调度程序
从自行车_蜘蛛导入url_manager,html_downloader,html_parser,html_outputer
# 爬虫初始化
类SpiderMain(对象):
def __init__(self):
self.urls=url_manager .UrlManager()
自我。下载者=html _ downloader .HtmlDownloader()
self.parser=html_parser .HtmlParser()
self.outputer=html_outputer .HtmlOutputer()
def craw(self,my_root_url):
计数=1
自我。网址。添加新网址(我的根网址)
而self.urls.has_new_url():
尝试:
new_url=self.urls.get_new_url()
打印(爬网%d : %s % (count,new_url))
# 下载网页
html _ cont=self。下载器。下载(新网址)
# 解析网页
new _ urls,new _ data=self。解析器。parse(new _ URL,html_cont)
self.urls.add_new_urls(新网址)
# 网页输出器收集数据
自我。输出机。收集数据(新数据)
如果计数==10:
破裂
计数=1
例外:
打印("爬行失败")
self.outputer.output_html()
if __name__==__main__:
root _ URL= http://baike。百度一下。 com/item/Python/407313
obj_spider=SpiderMain()
(3)编写url管理器
我们把已经爬取过的全球资源定位器(统一资源定位器)和未爬取的全球资源定位器(统一资源定位器)分开存放以便我们不会重复爬取某些已经爬取过的网页。
#网址管理器
类UrlManager(对象):
def __init__(self):
self.new_urls=set()
self.old_urls=set()
def add_new_url(self,url):
如果全球资源定位器(Uniform Resource Locator)不是:
返回
如果全球资源定位器(Uniform Resource Locator)不在self.new_urls中,并且全球资源定位器(Uniform Resource Locator)不在self.old_中
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.new_urls.add(url)
def get_new_url(self):
# pop方法会帮我们获取一个url并且移除它
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
def has_new_url(self):
return len(self.new_urls) != 0(4)编写网页下载器
通过网络请求来下载页面
# 网页下载器(5)编写网页解析器import urllib.request
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
response = urllib.request.urlopen(url)
# code不为200则请求失败
if response.getcode() != 200:
return None
return response.read()
对网页进行解析时我们需要知道我们要查询的内容都有哪些特征,我们可以打开一个网页点击右键审查元素来了解我们所查内容的共同之处。
# 网页解析器(6)编写网页输出器import re
from bs4 import BeautifulSoup
from urllib.parse import urljoin
class HtmlParser(object):
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
def _get_new_data(self, page_url, soup):
res_data = {"url": page_url}
# 获取标题
title_node = soup.find("dd", class_="lemmaWgt-lemmaTitle-title").find("h1")
res_data["title"] = title_node.get_text()
summary_node = soup.find("p", class_="lemma-summary")
res_data["summary"] = summary_node.get_text()
return res_data
def _get_new_urls(self, page_url, soup):
new_urls = set()
# 查找出所有符合下列条件的url
links = soup.find_all("a", href=re.compile(r"/item/"))
for link in links:
new_url = link['href']
# 获取到的url不完整,学要拼接
new_full_url = urljoin(page_url, new_url)
new_urls.add(new_full_url)
return new_urls
输出的格式有很多种,我们选择以html的形式输出,这样我们可以的到一个html页面。
# 网页输出器class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
# 我们以html表格形式进行输出
def output_html(self):
fout = open("output.html", "w", encoding='utf-8')
fout.write("<html>")
fout.write("<meta charset='utf-8'>")
fout.write("<body>")
# 以表格输出
fout.write("<table>")
for data in self.datas:
# 一行
fout.write("<tr>")
# 每个单元行的内容
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>")
# 输出完毕后一定要关闭输出器
fout.close()
相关免费学习推荐:python视频教程以上就是python网络爬虫步骤是什么的详细内容,更多请关注盛行IT软件开发工作室其它相关文章!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。