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。
下麵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
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,下麵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:

(標的站點)
我們來獲取上面串列中的資訊,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urlreturn self.new_url_size()!=0def 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_urldef 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:returnif 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:returnfor 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 requestsclass HTMLDownload(object):def download(self, url):if url is None:returns = requests.Session()s.essay-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.textreturn resreturn 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 refrom bs4 import BeautifulSoupclass 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: 傳回URL和資料'''if page_url is None or html_cont is None:returnsoup = 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_datadef _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: 傳回新的URL集合'''new_urls = set()for link in range(1,100):# 新增新的urlnew_url = "http://www.runoob.com/w3cnote/page/"+str(link)new_urls.add(new_url)print(new_urls)return new_urlsdef _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: 傳回有效資料'''data={}data['url'] = page_urltitle = 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 codecsclass DataOutput(object):def __init__(self):self.datas = []def store_data(self,data):if data is None:returnself.datas.append(data)def output_html(self):fout = codecs.open('baike.html', 'a', encoding='utf-8')fout.write("")fout.write("")fout.write("")fout.write("
”
)for data in self.datas:fout.write(""
)fout.write("%s
“%data[‘url’])
fout.write("《%s》
” % data[‘title’])
fout.write("[%s]
” % data[‘summary’])
fout.write("
“) self.datas.remove(data) fout.write("“) fout.write("“) fout.write("“) 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 DataOutputfrom base.HTMLParser import HTMLParserfrom base.HTMLDownload import HTMLDownloadfrom base.URLManager import URLManagerclass 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URLself.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urlwhile(self.manager.has_new_url() and self.manager.old_url_size()<100):try:# 從URL管理器獲取新的URLnew_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:

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。
知識星球
朋友會在“發現-看一看”看到你“在看”的內容