• 手机版

    扫码体验手机版

  • 微信公众号

    扫码关注公众号

国内首家协议开发

软芯音视解码保护平台

在线
客服

发布
需求

在线
聊天

天盟
APP

天盟APP下载

关注
微信

微信扫一扫访问
顶部

爬虫为啥只爬了2行?奇怪,附上源码

spider_main:
import html_downloaderimport url_managerimport html_parserimport html_outputerimport tracebackclass 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' %(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 = count + 1            except:               traceback.print_exc()               print ('craw failed')        self.outputer.output_html()    if __name__=='__main__':    root_url = "http://baike.baidu.com/view/21087.htm"    obj_spider = SpiderMain()    obj_spider.craw(root_url)html_downloader:
import urllib2class HtmlDownloader(object):        def download(self,url):        if url is None:            return None                response = urllib2.urlopen(url)                if response.getcode() != 200:            return None                return response.read()html_outputer:
class 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('')        fout.write("")        fout.write('')        fout.write('')        for data in self.datas:            fout.write('')            fout.write('%s'%data['url'])            fout.write('%s'%data['title'].decode('utf-8').encode('utf-8'))            fout.write('%s'%data['summary'].decode('utf-8').encode('utf-8'))            fout.write('')        fout.write('')        fout.write('')        fout.write('')        fout.close()url_manager:
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_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_urlhtml_parser:
from bs4 import BeautifulSoupimport reimport urlparseclass HtmlParser(object):        def _get_new_urls(self,page_url,soup):        new_urls = set()        #/view/123/htm        links = soup.find_all('a',href=re.compile(r"/view/\d+\.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 = {}        #res_data['url'] = page_url        # Python

        title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")        res_data['title'] = title_node.get_text()                #<div class="lemma-summary">        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最后我用的python版本是2.7版本的

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。

使用道具 举报

发新帖

发布任务需求已有1031167位用户正在使用天盟网服务

发布分类: *
任务预算: *
需求内容: *
手机号码: *
任务商家报价为
  • 预算价 :
  • 成交价 :
  • 完工期 :
  • 质保期 :

* 最终任务项目以服务商报价、双方协商为准!