Python爬虫架构5模板 | 你真的会写爬虫吗？

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

python免费学习资料以及群交流解答点击即可加入

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("")
        fout.write("")
        fout.write("")
        fout.write("")
for data in self.datas:
            fout.write("")
            fout.write("%s"%data['url'])
            fout.write("《%s》" % data['title'])
            fout.write("[%s]" % data['summary'])
            fout.write("")
self.datas.remove(data)
        fout.write("")
        fout.write("")
        fout.write("")
        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()