• 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

爬虫运行失败,craw 1 : https://baike.baidu.com/item/Python/407313?fr=a

使用的是python2.7#主函数spider_main.py# coding :utf8from baike_spider import url_manager,html_downloader,html_outputer,\    html_parserclass  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:                print 'craw failed'        self.outputer.output_html()if __name__ == "__main__":    root_url = "https://baike.baidu.com/item/Python/407313?fr=aladdin"    obj_spider = SpiderMain( )    obj_spider.craw(root_url)#url_manager.py# 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# html_parser.py# coding : utf8import reimport urlparsefrom bs4 import BeautifulSoupclass HtmlParser (object):   def _get_new_urls(self,page_url,soup):       new_urls = set ()       #/item/Python/407313?fr=aladdin       links = soup.find_all('a',href=re.compile(r"/item/Python/\d+\?fr=aladdin"))       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_date(self,page_url,soup):       res_date={}       # url       res_date['url'] =page_url       #Python

       title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")       res_date['title'] = title_node.get_text()        #<div class="lemma-summary" label-module="lemmaSummary">       summary_node = soup.find('div',class_="lemma-summary")       res_date['summary'] = summary_node.get_text()       return res_date   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#html_outputer.py# coding : utf8import reimport urlparsefrom bs4 import BeautifulSoupclass HtmlParser (object):   def _get_new_urls(self,page_url,soup):       new_urls = set ()       #/item/Python/407313?fr=aladdin       links = soup.find_all('a',href=re.compile(r"/item/Python/\d+\?fr=aladdin"))       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_date(self,page_url,soup):       res_date={}       # url       res_date['url'] =page_url       #Python

       title_node = soup.find('dd',class_="lemmaWgt-lemmaTitle-title").find("h1")       res_date['title'] = title_node.get_text()        #<div class="lemma-summary" label-module="lemmaSummary">       summary_node = soup.find('div',class_="lemma-summary")       res_date['summary'] = summary_node.get_text()       return res_date   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#html_downloader.py# coding : utf8import 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()

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!