Python Webクローラーの手順は何ですか-Python チュートリアル-php.cn

Python Webクローラーの手順は何ですか

coldplay.xixi

リリース： 2023-01-03 09:29:07

オリジナル

28690 人が閲覧しました

Python Web クローラーの手順: まず、必要なライブラリを準備してクローラースケジューラーを作成し、次に URL マネージャーと Web ページダウンローダーを作成し、次に Web ページパーサーを作成し、最後に Web ページアウトプッターを作成します。

Python Webクローラーの手順は何ですか

このチュートリアルの動作環境: Windows 7 システム、Python バージョン 3.9、DELL G3 コンピューター。

Python Web クローラーの手順

(1) 必要なライブラリを準備します

BeautifulSoup ( Web ページ解析) は、ダウンロードされた Web ページを解析するために使用されるオープンソースライブラリです。PyCharm コンパイル環境を使用しているため、オープンソースライブラリを直接ダウンロードできます。

手順は次のとおりです。

[ファイル] -> [設定] を選択します。

Project:PythonProject の下にあるプロジェクトインタープリタを開きます。

プラス記号をクリックして新しいライブラリを追加します

「bs4」と入力し、bs4 を選択し、「Install Packge」をクリックしてダウンロードします

(2) クローラースケジューラを作成する

ここでの bike_spider は、プロジェクト名によって導入された 4 つのクラスであり、次の 4 つのセクションに対応します。コード URL マネージャー、URL ダウンローダー、URL パーサー、URL 出力ツール。

# 爬虫调度程序
from bike_spider import url_manager, html_downloader, html_parser, html_outputer


# 爬虫初始化
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, my_root_url):
        count = 1
        self.urls.add_new_url(my_root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print("craw %d : %s" % (count, new_url))
                # 下载网页
                html_cont = self.downloader.download(new_url)
                # 解析网页
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                # 网页输出器收集数据
                self.outputer.collect_data(new_data)
                if count == 10:
                    break
                count += 1
            except:
                print("craw failed")

        self.outputer.output_html()


if __name__ == "__main__":
    root_url = "http://baike.baidu.com/item/Python/407313"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

ログイン後にコピー

(3) URL マネージャーの書き込み

クロールされた URL とクロールされていない URL を別々に保存します。繰り返します。すでにクロールされている Web ページをいくつかクロールします。

# url管理器
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.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

ログイン後にコピー

(4) Web ページダウンローダーを作成する

ネットワークリクエストを通じてページをダウンロードする

# 网页下载器
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()

ログイン後にコピー

(5) Web ページパーサーを作成する

Web ページを解析するときは、クエリしたいコンテンツがどのような特性を持っているかを知る必要があります。Web ページを開いて右クリックし、要素を検査して理解することができます。問い合わせているコンテンツの共通点。

# 网页解析器
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[&#39;href&#39;]
            # 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

ログイン後にコピー

(6) Web ページ出力ツールを作成する

出力形式は多数ありますが、ここでは HTML 形式で出力することを選択します。 HTMLページ。

# 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=&#39;utf-8&#39;)
        fout.write("<html>")
        fout.write("<meta charset=&#39;utf-8&#39;>")
        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()

ログイン後にコピー