爬虫1 --调度器

Posted brady-wang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫1 --调度器相关的知识,希望对你有一定的参考价值。

spider_main.py

#coding:utf8
from baike import html_downloader ,html_outputer,html_parser,url_manager


class SpiderMain(object):
    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()

    def craw(self,root_url):
        count = 1
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print "craw %d : %s" % (count, new_url)

                html_cont = self.downloader.download(new_url)
                new_urls, new_data = self.parser.parse(new_url, html_cont)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
                self.outputer.test()
                if count == 1000:
                    break

                count = count + 1
            except:
                print "craw failed"
        self.outputer.output_html()



if __name__ == "__main__":
    root_url = "http://baike.baidu.com/item/Python"
    obj_spider = SpiderMain()
    obj_spider.craw(root_url)

 

以上是关于爬虫1 --调度器的主要内容,如果未能解决你的问题,请参考以下文章

python应用之爬虫实战1 爬虫基本原理

1 爬虫的简介

学1个月爬虫就月赚6000?告诉你爬虫的真实情况!

Python爬虫开发第1篇爬虫案例

python爬虫初识爬虫

python爬虫(十七) 电影天堂爬虫1