为了账号安全,请及时绑定邮箱和手机立即绑定

为什么这段Python爬虫代码跑不通?

为什么这段Python爬虫代码跑不通?

zhouss 2018-08-17 14:56:52
import html_downloader import html_parser import html_outputer 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.HtmlOuputer() 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.parser(new_url, html_cont) self.urls.add_new_url(new_urls) self.outputer.collect_data(new_data) if count == 1000: break count = count + 1 except: print('craw failed') self.outputer.output_html() if__name__ == '__main__' root_url = 'https://baike.baidu.com/item/python' obj_spider = SpiderMain() obj_spider.craw(root_url) import urllib.requestclass HtmlDownloader(object): def downloadn(self, url): if url is None: return None response = urllib.request.urlopen(url) if response.getcode() != 200: return None return response.read() class 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_url(self, url): 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 from bs4 import BeautifulSoup import re import urllib.parse class HtmlParser(object): def _get_new_urls(self, page_url, soup): new_url = ser() links = soup.find_all('a', href=re.compile(r'/item/')) for link in links: new_url = link['href'] new_full_url = urllib.parse.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 title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1') res_data['title'] = title_node.get_text() # lemma-summary summary_node = soup.find('div", class_='lemma-summary') res_data['summary'] = summary_node.get_text() retrun res_data def parser(self, page_url, html_cont): if page_url is None or html_cont is None: retrun 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) retrun new_urls, new_data class HtmlOutputer(object): def __init__(self): self.datas = [] def collect_data(self, data): if data is None: retrun self.datas.append(data) def output_html(self): fout = open('output.html', 'w', encoding='utf-8') fout.write('<html>') fout.write('<head><meta http-equiv=\'content-type\' content=\'text/html;charset=utf-8\'></head>') fout.write('<body>') fout.write('<table>') for data in self.datas: fout.write('<tr>') fout.write('<td>%s</td>' % data['url']) fout.write('<td>%s</td>' % data['summary']) fout.write('</tr>') fout.write('</table>') fout.write('</body>') fout.write('</html>') fout.close()
查看完整描述

1 回答

?
鱼右

TA贡献7条经验 获得超0个赞

你这么贴代码, 别人怎么看呢

查看完整回答
反对 回复 2018-08-31
  • 1 回答
  • 0 关注
  • 1283 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