python中的set集合

Posted 2021-01-01 大大的大笨熊

当使用爬虫URL保存时，一般会选择set来保存urls，set是集合，集合中的元素不能重复，其次还有交集，并集等集合的功能，

爬虫每次获取的网页中提取网页中的urls，并保存，这就需要利用urls = set()

• 下面展示一下HTML解析器代码

#coding:utf-8
import re
import  urlparse
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\',from_encoding=\'utf-8\')
        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
        :return: 返回新的URL集合
        \'\'\'
        new_urls = set()
        #抽取符合要求的a标签
        #原书代码
        # links = soup.find_all(\'a\',href=re.compile(r\'/view/\\d+\\.htm\'))
        #2017-07-03 更新,原因百度词条的链接形式发生改变
        links = soup.find_all(\'a\', href=re.compile(r\'/item/.*\'))
        for link in links:
            #提取href属性
            new_url = link[\'href\']
            #拼接成完整网址
            new_full_url = urlparse.urljoin(page_url,new_url)
            new_urls.add(new_full_url)
        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(\'dd\',class_=\'lemmaWgt-lemmaTitle-title\').find(\'h1\')
        data[\'title\']=title.get_text()
        summary = soup.find(\'div\',class_=\'lemma-summary\')
        #获取到tag中包含的所有文版内容包括子孙tag中的内容,并将结果作为Unicode字符串返回
        data[\'summary\']=summary.get_text()
        return data

• 其次需要注意的是set可以add，而list不可以