为了账号安全,请及时绑定邮箱和手机立即绑定

Python写了一个爬虫,结果只爬出4条数据,是parser错了还是main错了?怎么改,求帮忙

Python写了一个爬虫,结果只爬出4条数据,是parser错了还是main错了?怎么改,求帮忙

weibo_漫河乡_03621568 2016-08-04 11:23:01
这个是main #coding:utf8 from homework_test import url_manager, html_downloader, html_parser,\     html_outputer class SpiderMain(object):     #构造函数,初始化各个对象     def __init__(self):         #url管理器         self.urls = url_manager.UrlManager()         #url下载器         self.downloader = html_downloader.HtmlDownloader()         #url解析器         self.parser = html_parser.HtmlParser()         #url输出器         self.outputer =html_outputer.HtmlOutputer()              #爬虫的调度程序     def craw(self, root_url):         #count记录当前爬取的是第几个url         count = 1         #1.首先将入口url添加入管理器         self.urls.add_new_url(root_url)         #启动爬虫循环,当管理器中有url时         while self.urls.has_new_url():             try:                 #获取一个待爬取的url                 new_url = self.urls.get_new_url()                 print 'craw %d : %s' % (count,new_url)                 #启动下载器下载页面                 html_cont = self.downloader.download(new_url)                 #调用解析器解析页面数据,返回新的url列表和新的数据                 new_urls,new_data = self.parser.parse(new_url,html_cont)                 #将新的url补充到管理器                 self.urls.add_new_urls(new_urls)                 #收集数据                 self.outputer.collect_data(new_data)                 #爬取3000个目标                 if count == 100:                     break                                  count = count + 1             except:                 print 'craw failed'             #输出收集好的数据             self.outputer.output_html()               #1.首先编写main函数 if __name__=="__main__":     #2.编写入口的url     root_url = "http://www.bmw.com.cn/zh_CN/index.html"     obj_spider = SpiderMain()      #3.启动爬虫     obj_spider.craw(root_url)*********************************************************************这个是parser#coding:utf8from bs4 import BeautifulSoupimport reimport urlparseclass HtmlParser(object):        def _get_new_urls(self, page_url, soup):        #将结果存到一个列表中        new_urls = set()        #/view/1234.htm        #href="//www.bmw.com.cn/zh_CN/topics/premium_selection.html"        #links = soup.find_all('a',href = re.compile(r"/view/\d+\.htm"))        links = soup.find_all('a',href = re.compile(r"//www\.bmw\.com\.cn/zh_CN/topics/\w+\.htm"))        for link in links:            new_url = link['href']            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):        res_data ={}                #url        res_data['url']=page_url                #<dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1>        #<li class="mainNavProductItemsSeries">        #ul class="mainNavItems"        #<ul class="ul_level_2">        #title_node = soup.find('ul',class_="ul_level_2").find("li")        #res_data['title'] = title_node.get_text()                #<div class="lemma-summary" label-module="lemmaSummary">        #<div class="mainNavTopicItemsLevel2"         #<div class="bottomNavBlock">        #<div class="overviewContainer">        summary_node = soup.find('div',class_="bottomNavBlock")        res_data['summary'] = summary_node.get_text()                return res_data                def parse(self,page_url,html_cont):        if page_url is None or html_cont is None:            return                soup = BeautifulSoup(html_cont,'html.parser',from_encoding='gb2312')        new_urls = self._get_new_urls(page_url,soup)        new_data = self._get_new_data(page_url,soup)        return new_urls,new_data        
查看完整描述

1 回答

?
丶包菜

TA贡献158条经验 获得超233个赞

得检查下正则表达式,以及对应网页url的格式是否有,是否只有四个。

检查是否有类似 xxx.htm?force=1格式的网页,这种写不进本地

查看完整回答
1 反对 回复 2016-08-04
  • 1 回答
  • 1 关注
  • 1845 浏览
慕课专栏
更多

添加回答

举报

0/150
提交
取消
意见反馈 帮助中心 APP下载
官方微信