Python 웹 크롤러 단계: 먼저 필요한 라이브러리를 준비하고 크롤러 스케줄러를 작성한 다음 URL 관리자와 웹 페이지 다운로더를 작성한 다음 웹 페이지 파서를 작성하고 마지막으로 웹 페이지 출력기를 작성합니다.
이 튜토리얼의 운영 환경: Windows 7 시스템, Python 버전 3.9, DELL G3 컴퓨터.
Python 웹 크롤러 단계
(1) 필요한 라이브러리 준비
다운로드한 웹 페이지를 구문 분석하기 위해 BeautifulSoup(웹 페이지 구문 분석)이라는 오픈 소스 라이브러리를 준비해야 합니다. 이는 PyCharm 컴파일 환경입니다. , 오픈 소스 라이브러리를 직접 다운로드할 수 있습니다.
단계는 다음과 같습니다.
파일->설정 선택
프로젝트:PythonProject
새 라이브러리를 추가하려면 더하기 기호를 클릭하세요.
bs4 입력 bs4 선택 Install Packge Download
(2) 크롤러 스케줄러 작성
여기서 bike_spider는 프로젝트 이름으로 소개된 4개의 클래스로, 코드 url 관리자, url 다운로더, url의 네 가지 섹션에 해당합니다. 파서, URL 출력 장치.
# 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)
(3) URL 관리자 작성
이미 크롤링된 특정 웹페이지를 반복적으로 크롤링하지 않도록 크롤링된 URL과 크롤링되지 않은 URL을 별도로 저장합니다.
# 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
(4) 웹페이지 다운로더 작성
네트워크 요청을 통해 페이지 다운로드
# 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()
(5) 웹페이지 파서 작성
웹페이지를 파싱할 때 어떤 내용이 있는지 알아야 합니다. 어떤 특성에 대해 쿼리하고 싶습니까? 웹 페이지를 열고 요소를 마우스 오른쪽 버튼으로 클릭하여 검사하여 우리가 찾고 있는 콘텐츠의 공통점이 무엇인지 이해할 수 있습니다.
# 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['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
(6) 웹 페이지 출력기 작성
출력 형식은 다양하므로 html 페이지를 얻을 수 있도록 html 형식으로 출력하도록 선택합니다.
# 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("") fout.write("") fout.write("") # 以表格输出 fout.write("
%s | " % data["url"]) fout.write("%s | " % data["title"]) fout.write("%s | " % data["summary"]) fout.write("
관련 무료 학습 권장사항:python 비디오 튜토리얼
위 내용은 Python 웹 크롤러의 단계는 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!