为了账号安全,请及时绑定邮箱和手机立即绑定

代码没有错,怎么运行就停在第一个url?也没有报错!!!

代码没有错,怎么运行就停在第一个url?也没有报错!!!

这个名字七个字 2017-10-20 20:02:39
# coding:utf8from baike_spider import url_manager,html_downloader,html_parser,html_outputerclass 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 \n"%(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)                                if count ==1000:                    break                count +=1            except:                print ('craw failed')        self.outputer.output_html()                 if __name__=="__main__":    root_url ="https://baike.baidu.com/item/Python/407313"    obj_spider = SpiderMain()    obj_spider.craw(root_url)——————————————————————————————————————————# coding:utf8class UrlManager(object):        def __init__(self):        self.new_urls = set()        self.old_urls = set()            def add_new_url(self,url):        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):        if urls is None or len(urls) == 0:            return        for url in urls:            self.add_new_url(url)            def has_new_url(self):        return len(self.new_urls) !=0        def get_new_url(self):        new_url =self.new_urls.pop()        self.old_urls.add(new_url)        return new_url————————————————————————————————————————————————# coding:utf8import urllib.requestclass HtmlDownloader(object):            def download(self,url):        if url is None:            return None        response = urllib.request.urlopen(url)                if response.getcode() != 200:            return None                return response.read()————————————————————————————————————————————————# coding:utf8from bs4 import BeautifulSoupimport refrom urllib.parse import urlparse#from urllib.parse import urljoinclass HtmlParser(object):            def _get_new_urls(self, page_url, soup):        new_urls =set()        #/item/123.htm        links = soup.find_all('a',href=re.compile(r"/item/\d+\.htm"))        for link in links:            new_url =link['href']            new_full_url = urlparse.urljoin(page_url,new_url)  # @UndefinedVariable            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>        title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")        res_data['title']=title_node.get_text()                        #<div class="lemma-summary" label-module="lemmaSummary">        summary_node = soup.find("div",class_="lemma-summary")        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='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——————————————————————————————————————————————————# coding:utf8class HtmlOutputer(object):    def __init__(self):        self.datas = []        def collect_data(self,data):        if data is None:            return        self.datas.append(data)        def output_html(self):        fout = open('output.html','w')                fout.write("<html>")        fout.write("<body>")        fout.write("<table>")        # ascil        for data in self.datas:            fout.write("<tr>")            fout.write("<td>%s</td>" % data['url'])            fout.write("<td>%s</td>" % data['title'].encode('utf-8'))            fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))            fout.write("</tr>")        fout.write("</table>")        fout.write("</body>")        fout.write("</html>")                fout.close()——————————————————————————————————————————————————运行后就停在第一个url,如下所示:
查看完整描述

1 回答

?
陌上点点

TA贡献16条经验 获得超13个赞

Emm。。只有输出一个都话就是循环问题了,在for data in self.datas:下面加一句
urldata = data
把data数据都改成urldata

查看完整回答
反对 回复 2018-01-28
  • 1 回答
  • 0 关注
  • 1285 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