Python爬虫架构5模板 | 你真的会写爬虫吗?
ccwgpt 2024-09-29 09:59 40 浏览 0 评论
前言
文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者： JAP君
PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef
1、写在前面的话
咱们直接进入今天的主题---你真的会写爬虫吗？为啥标题是这样，因为我们日常写小爬虫都是一个py文件加上几个请求，但是如果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。
2、基础爬虫的架构以及运行流程
首先，给大家来讲讲基础爬虫的架构到底是啥样子的？JAP君给大家画了张粗糙的图：
从图上可以看到，整个基础爬虫架构分为5大类：爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。
下面给大家依次来介绍一下这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：就是负责管理URL链接的，URL链接分为已经爬取的和未爬取的，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：就是将要爬取的页面的HTML下载下来。 4. HTML解析器：就是将要爬取的数据从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：就是将HTML下载器发送过来的数据存储到本地。
3、实战爬取菜鸟笔记信息
差不多就介绍这么些东西，相信大家对整体的架构有了初步的认识，下面我简单找了个网站给大家演示一遍用爬虫架构来爬取信息：
我们来获取上面列表中的信息，这里我就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url return self.new_url_size()!=0 def 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_url def 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: 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): # 将新链接添加到未爬取的集合中(集合) if urls is None or len(urls)==0: return for 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 requests class HTMLDownload(object): def download(self, url): if url is None: return s = 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.text return res return 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 re
from bs4 import BeautifulSoup
class 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:
return
soup = 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_data
def _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url
new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
new_urls.add(new_url)
print(new_urls)
return new_urls
def _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，如果BeautifulSoup不懂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 codecs
class DataOutput(object):
def __init__(self):
self.datas = []
def store_data(self,data):
if data is None:
return
self.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，在这里你当然也可以存在Mysql或者csv等文件当中，这个看自己的选择，我这里只是为了演示所以就放在了html当中。
最后一个，爬虫调度器（SpiderMan.py）
from base.DataOutput import DataOutput
from base.HTMLParser import HTMLParser
from base.HTMLDownload import HTMLDownload
from base.URLManager import URLManager
class 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URL
self.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url
while(self.manager.has_new_url() and self.manager.old_url_size()<100):
try:
# 从URL管理器获取新的URL
new_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")相信这里大家都能看懂，我就是将前面我们写的四个模板在这里把它们调用了一下，我们运行后的结果：
总结
我们这里简单的讲解了一下，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，希望大家能够照着这些代码写一遍，这样有利于大家的理解，大家以后写爬虫项目也要按照这种架构去写，这样你的爬虫看起来就会更加的规范、健全。
相关推荐
- Android开发基础入门(一):UI与基础控件
-
Android基础入门前言：从今天开始，我们开始分享Android客户端开发的基础知识。一、工具指南工欲善其事必先利其器，我们首先介绍一下开发Android常用的集成开发环境。小雨在上大学期间，开发a...
- 谷歌Material Design质感设计UI开发框架
-
谷歌MaterialDesign质感设计是一个新的用户界面设计概念，即将到来的Android版本称为“AndroidL”中会使用这种设计语言。在这篇文章中,我们收集出最新的和最好的Android...
- Android主流UI开源库整理（android 开源ui）
-
前言最近老大让我整理一份Android主流UI开源库的资料，以补充公司的Android知识库。由于对格式不做特别限制，于是打算用博客的形式记录下来，方便查看、防丢并且可以持续维护、不断更新。标题隐...
- 系统工具类App的开发框架（系统开发方法工具）
-
系统工具类App的开发框架选择，很大程度上取决于目标平台（Android、iOS或两者兼有），以及对性能、系统级访问深度和开发效率的需求。由于这类App常常需要深入操作系统底层，因此原生开发框架通常是...
- 2025年vue前端框架前瞻（vue前端开发规范手册）
-
Vue是一个轻量且灵活的JavaScript框架，广受开发者喜爱，因其简单易用的API和组件化的开发方式而闻名。Vite是一个现代化的前端构建工具，以其极快的开发服务器启动速度和热模块替换...
- 前端流行框架Vue3教程:28. Vue应用
-
28.Vue应用应用实例每个Vue应用都是通过createApp函数创建一个新的应用实例main.jsimport{createApp}from'vue'import...
- 2024 Vue 最全的生态工具组合推荐指南
-
Vue3虽然Vue2很多项目在用，但是官方已经宣布不再维护Vue2，所以新项目肯定首选Vue3来进行开发，组合式API开发起来比选项式API方便多了，而且Vue3的响应式实现也更...
- 基于 Vue3 Element Plus 的中后台管理系统模板
-
PureAdmin是一个开源的前端中后台管理系统模板，基于Vue3、Element-Plus，支持移动端、国际化、多主题设置，支持前端静态路由、后端动态路由配置，旨在为开发人员提供一个易于使用、高...
- 重磅!滴滴开源全新跨端小程序框架，基于 Vue 3!
-
最近，滴滴出行开源了自主研发的全新轻量级跨端小程序框架——星河(Dimina)，为开发者提供了“一次开发，多端运行”的高性能、低门槛解决方案。下面就来一览Dimina的魅力！什么是星河(Dim...
- 【推荐】一款基于 Vue + .NET 8 开源、免费、功能强大的快速开发框架
-
如果您对源码&技术感兴趣，请点赞+收藏+转发+关注，大家的支持是我分享最大的动力！！！项目介绍Vue.NetCore是一款集高效、灵活、易于扩展于一体的快速开发框架（基于Vue提供Vue2/Vue...
- 搭建Trae+Vue3的AI开发环境（vue ide 开发工具）
-
从2024年2025年，不断的有各种AI工具会在自媒体中火起来，号称各种效率王炸，而在AI是否会替代打工人的话题中，程序员又首当其冲。作为一个后端开发，这篇文章基于Trae工具，来创建和运行一个简单的...
- 一款基于 Vue + .NET 8 开源、免费、功能强大的快速开发框架
-
项目介绍Vue.NetCore是一款集高效、灵活、易于扩展于一体的快速开发框架（基于Vue提供Vue2/Vue3版本和.NET8前后端分离），适用于多种应用场景。通过前后端分离的设计、强大的...
- 盘点一下这些年PHP在桌面应用方面的解决方案
-
今天作者给大家盘点一下近些年PHP在实现桌面客户端方面的项目。PHP-GTKPHP-GTK是2001年3月创立，是PHP的一个扩展，实现了与GTK+的绑定，提供面向对象的接口，极大地简化了客户端跨平台...
- PHP+Uniapp校园圈子系统校园论坛小程序开发:踩坑与优化经验分享
-
一、系统架构与技术选型1.架构设计采用前后端分离架构，前端使用Uniapp实现跨端开发（支持微信小程序、H5、App），后端基于PHP（推荐ThinkPHP或Laravel框架）提供RESTful...
- 智能匹配+安全护航:PHP代练系统护航小程序如何提升用户信任?
-
在代练行业中，用户信任是平台发展的核心要素。基于PHP后端与uni-app跨端框架的代练系统，通过智能匹配与安全护航两大核心策略，能够有效提升用户信任，构建健康可持续的代练生态。以下从技术实现与用户体...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- MVC框架 (46)
- 框架图 (58)
- flask框架 (53)
- quartz框架 (51)
- abp框架 (47)
- jpa框架 (47)
- springmvc框架 (49)
- 分布式事务框架 (65)
- scrapy框架 (56)
- shiro框架 (61)
- 定时任务框架 (56)
- java日志框架 (61)
- JAVA集合框架 (47)
- mfc框架 (52)
- abb框架断路器 (48)
- ui自动化框架 (47)
- beego框架 (52)
- grpc框架 (55)
- ppt框架 (48)
- 内联框架 (52)
- cad怎么画框架 (58)
- ps怎么画框架 (47)
- ssm框架实现登录注册 (49)
- oracle字符串长度 (48)
- oracle提交事务 (47)