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
这个是main#coding:utf8from homework_test import url_manager, html_downloader, html_parser,\ html_outputerclass 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: #获开一个待爬取的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:utf8
from bs4 import BeautifulSoup
import re
import urlparse
class 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
# Python
#<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">
# |
免责声明：本内容仅代表回答会员见解不代表天盟观点，请谨慎对待。
版权声明：作者保留权利，不代表天盟立场。
|
|
|
|
|
|
|
|
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 |
|
|
|
|
|
|
|
|
天盟APP下载
