爬虫爬取百度词条

Posted 2021-01-11 aladl

页面是随时升级的，所以现在的链接不代表以后的链接，但是万变不离其宗，只要学会解析页面，那么就能走的更远。

码云链接：https://gitee.com/ALADL/baike_spider.git

from baike_spider import url_manager,html_downloader, html_parser, html_outputer


class SpiderMain(object):

    def __init__(self):
        # 初始化各个对象
        self.urls = url_manager.UrlManager()
        # url管理器
        self.downloader = html_downloader.HtmlDownloader()
        # 下载器
        self.parser = html_parser.HtmlParser()
        # 解析器
        self.outputer = html_outputer.HtmlOutputer()
        # 输出器

    def craw(self, root_url):
        count = 1
        # 将入口（root）url添加进管理器
        self.urls.add_new_url(root_url)
        # 当管理器中有了url之后，我们就可以启动循环
        while self.urls.has_new_url():
            # 为了防止无效的url，这里异常处理
            try:
                # 获取一个带爬取的url
                new_url = self.urls.get_new_url()
                # 辅助，打印一下当前
                print(‘craw %d:%s‘%(count,new_url))
                # 启用下载器下载页面
                html_cont = self.downloader.download(new_url)
                # 调用解析器解析页面，得到新的url和新的数据
                new_urls,new_data = self.parser.paser(new_url,html_cont)
                # 分别处理，新的url添加进url管理器
                self.urls.add_new_urls(new_urls)
                # 同时收集数据
                self.outputer.collect_data(new_data)

                # 先爬取1000个url
                if count == 1000:
                    break
                count += 1
            except:
                print("craw failed")
        # 调用outputer来处理数据
        self.outputer.output_html()



if __name__ == ‘__main__‘:
    root_url = ‘https://baike.baidu.com/item/%E8%8B%8F%E8%BD%BC/53906#hotspotmining‘
    # main函数中复制要爬取的页面
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)