目標を決定する: どの Web サイトのどのページのデータのどの部分をクロールするかを決定します。この例では、Baidu Encyclopedia の Python エントリ ページと Python 関連のエントリ ページのタイトルと紹介をキャプチャします。
分析目標: クロールされる URL の形式を分析し、クロール範囲を制限します。キャプチャするデータの形式を分析する この例では、タイトルと紹介の 2 つのデータが配置されているタグの形式を分析する必要があります。クロールするページのエンコーディングの形式を分析する。正しい解析を実行するには、Web ページのパーサー セクションで Web ページのエンコーディングを指定する必要があります。
コードの記述: Web ページのパーサー部分では、ターゲットを分析して得られた結果が使用されます。
クローラーの実行: データキャプチャを実行します。
1. URL 形式
Baidu Encyclopedia の Python エントリ ページにアクセスします。ページ上の関連エントリへのリンクは、ほとんどが /view/xxx.htm
です。 /view/xxx.htm
。
2、数据格式
标题位于类lemmaWgt-lemmaTitle-title下的h1子标签,简介位于类lemma-summary下。
3、编码格式
查看页面编码格式,为utf-8。
经过以上分析,得到结果如下:
在sublime下,新建文件夹baike-spider,作为项目根目录。
新建spider_main.py,作为爬虫总调度程序。
新建url_manger.py,作为url管理器。
新建html_downloader.py,作为html下载器。
新建html_parser.py,作为html解析器。
新建html_outputer.py,作为写出数据的工具。
最终项目结构如下图:
# coding:utf-8 import url_manager, html_downloader, html_parser, html_outputer 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, root_url): count = 1 self.urls.add_new_url(root_url) while self.urls.has_new_url(): try: new_url = self.urls.get_new_url() print('craw %d : %s' % (count, new_url)) html_cont = self.downloader.download(new_url) new_urls, new_data = self.parser.parse(new_url, html_cont) self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) if count == 10: break count = count + 1 except: print('craw failed') self.outputer.output_html() if __name__=='__main__': root_url = 'http://baike.baidu.com/view/21087.htm' obj_spider = SpiderMain() obj_spider.craw(root_url)
# coding:utf-8 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.add_new_url(url) def has_new_url(self): return len(self.new_urls) != 0 def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url
# coding:utf-8 import urllib.request class HtmlDownloader(object): def download(self, url): if url is None: return None response = urllib.request.urlopen(url) if response.getcode() != 200: return None return response.read()
# coding:utf-8 from bs4 import BeautifulSoup import re from urllib.parse import urljoin class HtmlParser(object): def _get_new_urls(self, page_url, soup): new_urls = set() # /view/123.htm links = soup.find_all('a', href=re.compile(r'/view/\d+\.htm')) for link in links: new_url = link['href'] new_full_url = urljoin(page_url, new_url) # print(new_full_url) new_urls.add(new_full_url) #print(new_urls) return new_urls def _get_new_data(self, page_url, soup): res_data = {} # url res_data['url'] = page_url # <dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1> title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1') res_data['title'] = title_node.get_text() # <p class="lemma-summary" label-module="lemmaSummary"> summary_node = soup.find('p', class_='lemma-summary') res_data['summary'] = summary_node.get_text() # print(res_data) return res_data def parse(self, page_url, html_cont): if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'html.parser') # print(soup.prettify()) new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup) # print('mark') return new_urls, new_data
# coding:utf-8 class HtmlOutputer(object): def __init__(self): self.datas = [] def collect_data(self, data): if data is None: return self.datas.append(data) def output_html(self): fout = open('output.html','w', encoding='utf-8') fout.write('<html>') 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>') fout.write('</table>') fout.write('</body>') fout.write('</html>') fout.close()
在命令行下,执行python spider_main.py
ページのエンコード形式 (utf-8) を表示します。
上記の分析後の結果は次のとおりです:
コード作成
プロジェクト構造
クローラーのマスター スケジューラとして新しい Spider_main.py を作成します。
URL マネージャーとして新しい url_manger.py を作成します。 🎜HTML ダウンローダーとして新しい html_downloader.py を作成します。 🎜HTMLパーサーとして新しいhtml_parser.pyを作成します。 🎜データを書き込むためのツールとして新しい html_outputer.py を作成します。 🎜最終的なプロジェクト構造は以下のとおりです: 🎜🎜🎜spider_main.py🎜fout = open('output.html','w') fout.write(str)🎜url_manger.py🎜
fout = open('output.html','w', encoding='utf-8')🎜html_downloader.py🎜rrreee🎜html_parser.py🎜rrreee🎜html_outputer。 py 🎜rrreee🎜Run🎜🎜 コマンドラインで、
python Spider_main.py
を実行します。 🎜🎜エンコーディングの問題🎜🎜問題の説明: UnicodeEncodeError: 'gbk' コーデックは位置の文字 'xa0' をエンコードできません...🎜🎜 Python を使用してファイルを書き込むとき、またはネットワーク データ ストリームをローカル ファイルに書き込むときに、この問題が発生しますほとんどの場合。この問題の解決方法に関する同様の記事がインターネット上にたくさんありますが、それらはエンコードとデコードにすぎません。これがこの問題の本当の原因でしょうか。いいえ。多くの場合、デコードとエンコードを使用し、utf8、utf-8、gbk、gb2312 などのさまざまなエンコードを試します。すべてのエンコードを試しましたが、依然としてエラーが発生し、イライラします。 🎜🎜Windows で Python スクリプトを書く場合、コーディングの問題は非常に深刻です。ネットワーク データ ストリームをファイルに書き込む場合、いくつかのエンコーディングが発生します: 🎜1. #encoding='XXX' 🎜 ここでのエンコーディング (つまり、Python ファイルの最初の行の内容) は、Python スクリプトのエンコーディングを指します。ファイル自体は関係ありません。 XXX のエンコードとファイル自体が同じであれば問題ありません。 🎜たとえば、notepad++の「フォーマット」メニューではさまざまなエンコードを設定できますが、このとき、メニューで設定したエンコードがXXXのエンコードと同じであることを確認する必要があります。異なる場合はエラーが報告されます。 。 🎜🎜2. ネットワーク データ ストリームのエンコーディング🎜 たとえば、Web ページを取得した場合、ネットワーク データ ストリームのエンコーディングが Web ページのエンコーディングになります。 Unicode エンコードにデコードするには、デコードを使用する必要があります。 🎜🎜3. ターゲット ファイルのエンコーディング🎜 ネットワーク データ ストリームを新しいファイルに書き込みます。ファイル書き込みコードは次のとおりです:🎜rrreee🎜 Windows では、新しいファイルのデフォルトのエンコーディングは gbk であり、Python インタープリターは gbk を使用します。ネットワーク データ ストリーム str を解析するためのエンコーディングですが、str はデコードされた Unicode エンコーディングであるため、解析に失敗し、上記の問題が発生します。 解決策は、ターゲット ファイルのエンコーディングを変更することです: 🎜fout = open('output.html','w', encoding='utf-8')
更多Python抓取百度百科数据 相关文章请关注PHP中文网!