说明：以下内容学习自：http://www.imooc.com/
1、首先要感谢原作者非常细致的讲解，在网页分析的时候还是学到了一些很有用的技巧。后续会总结。
2、这次是跟着作者，使用了Eclipse + Pydev的软件调试的，相对于Pycharm，他的优点就是可以动态插入需要的类和方法，而同比Pycharm只能动态匹配类，方法就没反应了。不过在界面配色方面明显没有Pyhcarm做的好。总之，目前的配色方案不满意，但将就下吧。
3、原作者使用的Python 2的版本，我的版本（大部分还是照作者的）已经修改到3的版本了，。虽然感觉作者的代码，有的地方写的有点小啰嗦，不过看他视频现场操作，还是感觉细节有很多值得借鉴的地方。
# -*- coding: utf-8 -*-
# python 3.5.2
from urllib.request import urlopen
from bs4 import BeautifulSoup
from urllib.parse import urlparse
import re
import urllib
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
def outputer_html(self):
fout = open('output.html', 'w')
fout.write("<html>")
fout.write("<body>")
fout.write("<table>")
# accii
for data in self.datas:
fout.write("<tr>")
fout.write("<td>%s</td>" % data['url'])
# 原作者使用了.encode('utf-8')的代码，但在python 3 测试报错
fout.write("<td>%s</td>" % data['title']).encode('utf-8')
fout.write("<td>%s</td>" % data['summary']).encode('utf-8')
fout.write("</tr>")
fout.write("</body>")
fout.write("</table>")
fout.write("</html>")
fout.close()
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 = urllib.parse.urljoin(page_url, new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
# http://baike.baidu.com/view/21087.htm
res_data = {}
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()
# <div class="lemma-summary" label-module="lemmaSummary">
summery_node = soup.find('div', class_="lemma-summary")
res_data['summery'] = summery_node.get_text()
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', from_encoding='uft-8')
new_urls = self._get_new_urls(page_url, soup)
new_data = self._get_new_data(page_url, soup)
return new_urls, new_data
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
response = urlopen(url)
if response.getcode() != 200:
return None
return response.read()
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
class SpiderMain(object):
def __init__(self):
# url 管理器
self.urls = UrlManager()
# 下载器
self.downloader = HtmlDownloader()
# 解析器
self.parser = HtmlParser()
# 输出器
self.outputer = HtmlOutputer()
def craw(self, root_url):
count = 1
# 入口url添加
self.urls.add_new_url(root_url)
# 如果有新的url
while self.urls.has_new_url():
try:
# 获取新的url
new_url = self.urls.get_new_url()
print('craw %d : %s' % (count, new_url))
# 启动下载器下载页面
html_cont = self.downloader.download(new_url)
# 解析器来解析新的地址和数据
new_urls, new_data = self.parser.parse(new_url, html_cont)
# 把新的地址添加到urls
self.urls.add_new_urls(new_urls)
# 输出和收集数据
self.outputer.collect_data(new_data)
if count == 1000:
break
count += 1
except:
print('craw failed.')
# 输出数据
self.outputer.outputer_html()
if __name__ == "__main__":
root_url = "http://baike.baidu.com/view/21087.htm"
# 创建一个爬虫对象
obj_spider = SpiderMain()
# 运行爬虫函数
obj_spider.craw(root_url)
4、原作者是的html_outputer.py 文件包含了3个函数，最后一个是把爬虫数据导出到一个.html文件里，但是按照他的源代码，最后我总是得到错误提示如下，提示整数不能用来encode，也就是爬到的百科名词有的是纯数字的，比如设想是10086 ，另外在python 2 到3 的切换使用中，也确实遇到好几在V2 下ok的代码，到了V3失败，很多是来自解码方面的异常。：
AttributeError: ‘int’ object has no attribute ‘encode’
或者当去掉utf-8输出，又遇到gbk编码的问题：
UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\u02c8’ in position 19: illegal multibyte sequence
5、总结：
首先，原作者在一个工程下，建立一个package，然后把几个主要的类单独列出了py文件，这样的方式更为规范，此文为粘贴代码简便，统一到了一起。实际，应用第一种模式为佳。
其次，在分析html的分类入口处，比如python关键词地方的对应html代码，使用右键–>检查（或F12，然后点击上面有“类”的地方，比如此文是关键词python在类lemmaWgt-lemmaTitle-title下的h1标题，然后再右键–>Edit as html，就可以在一个段落里轻松复制这断html代码了。否则在F12模式下不能直接上下复制的）
- 经过比较python 2， 如果检索的关键词是数字，一样不能使用.encode(‘utf-8’)， 那么原作者的演示视频为何都没有报错？ 这应该是他当时的爬虫没有搜寻到数字关键词，而我的遇到了。