實際工作中的 Python 爬蟲專案是這樣寫的

作者 | JAP君

來源 | JAVAandPython君

01 寫在前面

我們日常寫小爬蟲都是一個 py 檔案加上幾個請求，但是如果你去寫一個正式的專案時，你必須考慮到很多種情況，需要把這些功能全部模組化，使爬蟲更健全。

02 基礎爬蟲的架構以及執行流程

首先，給大家來講講基礎爬蟲的架構到底是啥樣子的？JAP 君給大家畫了張粗糙的圖：

從圖上可以看到，整個基礎爬蟲架構分為 5 大類：爬蟲排程器、URL 管理器、HTML 下載器、HTML 解析器、資料儲存器。

下面給大家依次來介紹一下這 5 個大類的功能：

• 爬蟲排程器，主要是配合呼叫其他四個模組，所謂排程就是呼叫其他的模板

• URL 管理器，就是負責管理 URL 連結的，URL 連結分為已經爬取的和未爬取的，這就需要 URL 管理器來管理它們，同時它也為獲取新 URL 連結提供介面。

• HTML 下載器，就是將要爬取的頁面的 HTML 下載下來。

• HTML 解析器，就是將要爬取的資料從 HTML 原始碼中獲取出來，同時也將新的 URL 連結傳送給 URL 管理器以及將處理後的資料傳送給資料儲存器。

• 資料儲存器，就是將 HTML 下載器傳送過來的資料儲存到本地。

03 實戰爬取菜鳥筆記資訊

差不多就介紹這麼些東西，相信大家對整體的架構有了初步的認識，下面我簡單找了個網站給大家演示一遍用爬蟲架構來爬取資訊：

我們來獲取上面列表中的資訊，這裡我就省略了分析網站的一步，如果大家不會分析，可以去看我之前寫的爬蟲專案。

首先，來寫一下URL 管理器（URLManage.py）

 1class URLManager(object):
 2    def __init__(self):
 3        self.new_urls = set()
 4        self.old_urls = set()
 5
 6    def has_new_url(self):
 7        # 判斷是否有未爬取的 url
 8        return self.new_url_size()!=0
 9
10    def get_new_url(self):
11        # 獲取一個未爬取的連結
12        new_url = self.new_urls.pop()
13        # 提取之後，將其新增到已爬取的連結中
14        self.old_urls.add(new_url)
15        return new_url
16
17    def add_new_url(self, url):
18        # 將新連結新增到未爬取的集合中(單個連結)
19        if url is None:
20            return
21        if url not in self.new_urls and url not in self.old_urls:
22            self.new_urls.add(url)
23
24    def add_new_urls(self,urls):
25        # 將新連結新增到未爬取的集合中(集合)
26        if urls is None or len(urls)==0:
27            return
28        for url in urls:
29            self.add_new_url(url)
30
31    def new_url_size(self):
32        # 獲取未爬取的 url 大小
33        return len(self.new_urls)
34
35    def old_url_size(self):
36        # 獲取已爬取的 url 大小
37        return len(self.old_urls)

在這裡主要就是兩個集合，一個是已爬取 URL 的集合，另一個是未爬取 URL 的集合。這裡我使用的是 set 型別，因為 set 自帶去重的功能。

接下來，HTML 下載器（HTMLDownload.py）

 1import requests
 2class HTMLDownload(object):
 3    def download(self, url):
 4        if url is None:
 5            return
 6        s = requests.Session()
 7        s.headers['User-Agent'] ='Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
 8        res = s.get(url)
 9        # 判斷是否正常獲取
10        if res.status_code == 200:
11            res.encoding='utf-8'
12            res = res.text
13            return res
14        return None

可以看到這裡我們只是簡單的獲取了，url 中的 html 原始碼

接著看HTML 解析器（HTMLParser.py）

 1import re
 2from bs4 import BeautifulSoup
 3class HTMLParser(object):
 4
 5    def parser(self, page_url, html_cont):
 6        '''
 7        用於解析網頁內容，抽取 URL 和資料
 8        :param page_url: 下載頁面的 URL
 9        :param html_cont: 下載的網頁內容
10        :return: 返回 URL 和資料
11        '''
12        if page_url is None or html_cont is None:
13            return
14        soup = BeautifulSoup(html_cont, 'html.parser')
15        new_urls = self._get_new_urls(page_url, soup)
16        new_data = self._get_new_data(page_url, soup)
17        return new_urls, new_data
18
19    def _get_new_urls(self,page_url,soup):
20        '''
21        抽取新的 URL 集合
22        :param page_url:下載頁面的 URL
23        :param soup: soup 資料
24        :return: 返回新的 URL 集合
25        '''
26        new_urls = set()
27        for link in range(1,100):
28            # 新增新的 url
29            new_url = "http://www.runoob.com/w3cnote/page/"+str(link)
30            new_urls.add(new_url)
31            print(new_urls)
32        return new_urls
33
34    def _get_new_data(self,page_url,soup):
35         '''
36         抽取有效資料
37         :param page_url:下載頁面的 url
38         :param soup:
39         :return: 返回有效資料
40         '''
41         data={}
42         data['url'] = page_url
43         title = soup.find('div', class_='post-intro').find('h2')
44         print(title)
45         data['title'] = title.get_text()
46         summary = soup.find('div', class_='post-intro').find('p')
47         data['summary'] = summary.get_text()
48         return data

在這裡，我們將 HTML 下載器的原始碼進行了分析和解析，從而得到了我們想要拿到的資料。

繼續看，資料儲存器（DataOutput.py）

 1import codecs
 2class DataOutput(object):
 3
 4    def __init__(self):
 5        self.datas = []
 6
 7    def store_data(self,data):
 8        if data is None:
 9            return
10        self.datas.append(data)
11
12    def output_html(self):
13        fout = codecs.open('baike.html', 'a', encoding='utf-8')
14        fout.write("<html>")
15        fout.write("<head><meta charset='utf-8'/></head>")
16        fout.write("<body>")
17        fout.write("<table>")
18        for data in self.datas:
19            fout.write("<tr>")
20            fout.write("<td>%s</td>"%data['url'])
21            fout.write("<td>《%s》</td>" % data['title'])
22            fout.write("<td>[%s]</td>" % data['summary'])
23            fout.write("</tr>")
24            self.datas.remove(data)
25        fout.write("</table>")
26        fout.write("</body>")
27        fout.write("</html>")
28        fout.close()

大家可能發現我這裡是將資料儲存到一個 html 的檔案當中，在這裡你當然也可以存在 Mysql 或者 csv 等檔案當中，這個看自己的選擇，我這裡只是為了演示所以就放在了 html 當中。

最後一個，爬蟲排程器（SpiderMan.py）

 1from base.DataOutput import DataOutput
 2from base.HTMLParser import HTMLParser
 3from base.HTMLDownload import HTMLDownload
 4from base.URLManager import URLManager
 5
 6class SpiderMan(object):
 7    def __init__(self):
 8        self.manager = URLManager()
 9        self.downloader = HTMLDownload()
10        self.parser = HTMLParser()
11        self.output = DataOutput()
12
13
14    def crawl(self, root_url):
15        # 新增入口 URL
16        self.manager.add_new_url(root_url)
17        # 判斷 url 管理器中是否有新的 url，同時判斷抓取多少個 url
18        while(self.manager.has_new_url() and self.manager.old_url_size()<100):
19            try:
20                # 從 URL 管理器獲取新的 URL
21                new_url = self.manager.get_new_url()
22                print(new_url)
23                # HTML 下載器下載網頁
24                html = self.downloader.download(new_url)
25                # HTML 解析器抽取網頁資料
26                new_urls, data = self.parser.parser(new_url, html)
27                print(new_urls)
28                # 將抽取的 url 新增到 URL 管理器中
29                self.manager.add_new_urls(new_urls)
30                # 資料儲存器儲存檔案
31                self.output.store_data(data)
32                print("已經抓取%s 個連結" % self.manager.old_url_size())
33            except Exception as e:
34                print("failed")
35                print(e)
36            # 資料儲存器將檔案輸出成指定的格式
37            self.output.output_html()
38
39
40if __name__ == '__main__':
41    spider_man = SpiderMan()
42    spider_man.crawl("http://www.runoob.com/w3cnote/page/1")

相信這裡大家都能看懂，我就是將前面我們寫的四個模板在這裡把它們呼叫了一下，執行後的結果如下：

04 總結

本文簡單講解了一個爬蟲實戰專案架構所包括的五個模板，無論是大型爬蟲專案還是小型的爬蟲專案都離不開這五個模板，希望以後寫爬蟲專案也參照這種架構去寫，這樣你的爬蟲看起來就會更規範、健全。