Python爬虫架构模板

今天讲解如何写python爬虫，我们日常写小爬虫都是一个py文件加上几个请求，但是当你去写一个正式的项目时，你必须考虑到很多种情况，所以我们需要把这些功能全部模块化，这样也使我们的爬虫更加的健全。

1、爬虫基础架构与运行流程

下面给出了基础爬虫的架构图：
在这里插入图片描述
可以看到，基础爬虫架构分为5块：爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。

下面来介绍一下这5个大类的功能：

1. 爬虫调度器：主要是配合调用其他四个模块，所谓调度就是取调用其他的模板。
2. URL管理器：负责管理URL链接的，URL链接分为已爬取的和未爬取的，这就需要URL管理器来管理它们，同时它也为获取新URL链接提供接口。
3. HTML下载器：将要爬取的页面的HTML下载下来。
4. HTML解析器：将要爬取的数据从HTML源码中获取出来，同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。
5.数据存储器：将HTML下载器发送过来的数据存储到本地。

2、爬取菜鸟笔记

对整体架构有了初步的认识之后，下面来简单演示一遍用爬虫架构来爬取信息（以菜鸟教程为例）

在这里插入图片描述

我们来获取上面列表中的信息，这里省略了分析网站的一步，如果大家不会分析，可以去看我之前写的爬虫项目。

首先，我们来写一下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):# 判断是否有未爬取的urlreturn self.new_url_size()!=0def get_new_url(self):# 获取一个未爬取的链接new_url = self.new_urls.pop()# 提取之后，将其添加到已爬取的链接中self.old_urls.add(new_url)return new_urldef add_new_url(self, url):# 将新链接添加到未爬取的集合中(单个链接)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):# 将新链接添加到未爬取的集合中(集合)if urls is None or len(urls)==0:returnfor url in urls:self.add_new_url(url)def new_url_size(self):# 获取未爬取的url大小return len(self.new_urls)def old_url_size(self):# 获取已爬取的url大小return len(self.old_urls)

在这里主要就是两个集合，一个是已爬取URL的集合，另一个是未爬取URL的集合。这里我使用的是set类型，因为set自带去重的功能。

接下来，HTML下载器（HTMLDownload.py）

import requestsclass HTMLDownload(object):def download(self, url):if url is None:returns = requests.Session()s.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)# 判断是否正常获取if res.status_code == 200:res.encoding='utf-8'res = res.textreturn resreturn None

可以看到这里我们只是简单的获取了，url中的html源码

接着看HTML解析器（HTMLParser.py）

import refrom bs4 import BeautifulSoupclass HTMLParser(object):def parser(self, page_url, html_cont):'''用于解析网页内容，抽取URL和数据:param page_url: 下载页面的URL:param html_cont: 下载的网页内容:return: 返回URL和数据'''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:下载页面的URL:param soup: soup数据:return: 返回新的URL集合'''new_urls = set()for link in range(1,100):# 添加新的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):''' 抽取有效数据 :param page_url:下载页面的url :param soup: :return: 返回有效数据 ''' data={} data['url'] = page_url title = 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

在这里，我们将HTML下载器的源码进行了分析和解析，从而得到了我们想要拿到的数据，对BeautifulSoup不了解的可以去看一下我之前写的文章。

继续看，数据存储器（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("<html>")fout.write("<head><meta charset='utf-8'/></head>")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>")self.datas.remove(data)fout.write("</table>")fout.write("</body>")fout.write("</html>")fout.close()

大家可能发现我这里是将数据存储到一个html的文件当中，你也可以存在Mysql或者csv等文件当中，这里为了演示就放在了html当中。

最后一个，爬虫调度器（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):# 添加入口URLself.manager.add_new_url(root_url)# 判断url管理器中是否有新的url，同时判断抓取多少个urlwhile(self.manager.has_new_url() and self.manager.old_url_size()<100):try:# 从URL管理器获取新的URLnew_url = self.manager.get_new_url()print(new_url)# HTML下载器下载网页html = self.downloader.download(new_url)# HTML解析器抽取网页数据new_urls, data = self.parser.parser(new_url, html)print(new_urls)# 将抽取的url添加到URL管理器中self.manager.add_new_urls(new_urls)# 数据存储器存储文件self.output.store_data(data)print("已经抓取%s个链接" % self.manager.old_url_size())except Exception as e:print("failed")print(e)# 数据存储器将文件输出成指定的格式self.output.output_html()if __name__ == '__main__':spider_man = SpiderMan()spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

最后调用主函数执行前面四个模板，下面是运行后的结果：
在这里插入图片描述

总结

我们简单的讲解了一下爬虫架构的五个模板，无论是大型爬虫项目还是小型的爬虫项目都离不开这五个模板，大家在写爬虫的时候可以看一下，这样写爬虫项目会使你的爬虫看起来更加的规范、健全。

如有错误，欢迎私信纠正，谢谢支持！

{{item.like > 0 ? item.like : '点赞'}} {{item.comment_content_show ? '取消' : '回复'}} 删除

回帖

{{reply.like > 0 ? reply.like : '点赞'}} {{reply.comment_content_show ? '取消' : '回复'}} 删除

收起