您的位置：首页 > 脚本大全 > > 正文

python爬取在线评论（Python爬虫实现爬取百度百科词条功能实例）

更多时间：2021-10-21 07:52:28 类别：脚本大全浏览量：1355

python爬取在线评论

Python爬虫实现爬取百度百科词条功能实例

本文实例讲述了python爬虫实现爬取百度百科词条功能。分享给大家供大家参考，具体如下：

爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。爬虫从一个或若干初始网页的url开始，获得初始网页上的url，在抓取网页的过程中，不断从当前页面上抽取新的url放入队列,直到满足系统的一定停止条件。爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的url队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页url，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。常见的爬虫框架有scrapy等。

自定义爬虫程序一般包含：url管理器、网页下载器、网页解析器、输出处理器。

以下我写了一个爬取百度百科词条的实例。

爬虫主程序入口

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37 from crawler_test.html_downloader import urldownloader

from crawler_test.html_outer import htmlouter

from crawler_test.html_parser import htmlparser

from crawler_test.url_manager import urlmanager

# 爬虫主程序入口

class maincrawler():

def __init__(self):

# 初始值，实例化四大处理器：url管理器，下载器，解析器，输出器

self.urls = urlmanager()

self.downloader = urldownloader()

self.parser = htmlparser()

self.outer = htmlouter()

# 开始爬虫方法

def start_craw(self, main_url):

print('爬虫开始...')

count = 1

self.urls.add_new_url(main_url)

while self.urls.has_new_url():

try:

new_url = self.urls.get_new_url()

print('爬虫%d,%s' % (count, new_url))

html_cont = self.downloader.down_load(new_url)

new_urls, new_data = self.parser.parse(new_url, html_cont)

# 将解析出的url放入url管理器，解析出的数据放入输出器中

self.urls.add_new_urls(new_urls)

self.outer.conllect_data(new_data)

if count >= 10:# 控制爬取的数量

break

count += 1

except:

print('爬虫失败一条')

self.outer.output()

print('爬虫结束。')

if __name__ == '__main__':

main_url = 'https://baike.baidu.com/item/python/407313'

mc = maincrawler()

mc.start_craw(main_url)

url管理器

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26 # url管理器

class urlmanager():

def __init__(self):

self.new_urls = set() # 待爬取

self.old_urls = set() # 已爬取

# 添加一个新的url

def add_new_url(self, url):

if url is none:

return

elif url not in self.new_urls and url not in self.old_urls:

self.new_urls.add(url)

# 批量添加url

def add_new_urls(self, urls):

if urls is none or len(urls) == 0:

return

else:

for url in urls:

self.add_new_url(url)

# 判断是否有url

def has_new_url(self):

return len(self.new_urls) != 0

# 从待爬取的集合中获取一个url

def get_new_url(self):

new_url = self.new_urls.pop()

self.old_urls.add(new_url)

return new_url

网页下载器

1

2

3

4

5

6

7

8

9

10

11

12

13 from urllib import request

# 网页下载器

class urldownloader():

def down_load(self, url):

if url is none:

return none

else:

rt = request.request(url=url, method='get') # 发get请求

with request.urlopen(rt) as rp: # 打开网页

if rp.status != 200:

return none

else:

return rp.read() # 读取网页内容

网页解析器

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37 import re

from urllib import parse

from bs4 import beautifulsoup

# 网页解析器，使用beautifulsoup

class htmlparser():

# 每个词条中，可以有多个超链接

# main_url指url公共部分，如“https://baike.baidu.com/”

def _get_new_url(self, main_url, soup):

# baike.baidu.com/

# <a target="_blank" href="/item/%e8%ae%a1%e7%ae%97%e6%9c%ba%e7%a8%8b%e5%ba%8f%e8%ae%be%e8%ae%a1%e8%af%ad%e8%a8%80" rel="external nofollow" >计算机程序设计语言</a>

new_urls = set()

# 解析出main_url之后的url部分

child_urls = soup.find_all('a', href=re.compile(r'/item/(\%\w{2})+'))

for child_url in child_urls:

new_url = child_url['href']

# 再拼接成完整的url

full_url = parse.urljoin(main_url, new_url)

new_urls.add(full_url)

return new_urls

# 每个词条中，只有一个描述内容，解析出数据（词条，内容）

def _get_new_data(self, main_url, soup):

new_datas = {}

new_datas['url'] = main_url

# <dd class="lemmawgt-lemmatitle-title"><h1>计算机程序设计语言</h1>...

new_datas['title'] = soup.find('dd', class_='lemmawgt-lemmatitle-title').find('h1').get_text()

# class="lemma-summary" label-module="lemmasummary"...

new_datas['content'] = soup.find('li', attrs={'label-module': 'lemmasummary'},

class_='lemma-summary').get_text()

return new_datas

# 解析出url和数据（词条，内容）

def parse(self, main_url, html_cont):

if main_url is none or html_cont is none:

return

soup = beautifulsoup(html_cont, 'lxml', from_encoding='utf-8')

new_url = self._get_new_url(main_url, soup)

new_data = self._get_new_data(main_url, soup)

return new_url, new_data

输出处理器

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35 # 输出器

class htmlouter():

def __init__(self):

self.datas = []

# 先收集数据

def conllect_data(self, data):

if data is none:

return

self.datas.append(data)

return self.datas

# 输出为html

def output(self, file='output_html.html'):

with open(file, 'w', encoding='utf-8') as fh:

fh.write('<html>')

fh.write('<head>')

fh.write('<meta charset="utf-8"></meta>')

fh.write('<title>爬虫数据结果</title>')

fh.write('</head>')

fh.write('<body>')

fh.write(

'<table style="border-collapse:collapse; border:1px solid gray; width:80%; word-break:break-all; margin:20px auto;">')

fh.write('<tr>')

fh.write('<th style="border:1px solid black; width:35%;">url</th>')

fh.write('<th style="border:1px solid black; width:15%;">词条</th>')

fh.write('<th style="border:1px solid black; width:50%;">内容</th>')

fh.write('</tr>')

for data in self.datas:

fh.write('<tr>')

fh.write('<td style="border:1px solid black">{0}</td>'.format(data['url']))

fh.write('<td style="border:1px solid black">{0}</td>'.format(data['title']))

fh.write('<td style="border:1px solid black">{0}</td>'.format(data['content']))

fh.write('</tr>')

fh.write('</table>')

fh.write('</body>')

fh.write('</html>')

效果（部分）：

python爬取在线评论（Python爬虫实现爬取百度百科词条功能实例）

希望本文所述对大家python程序设计有所帮助。

原文链接：https://www.cnblogs.com/wcwnina/p/8619084.html

标签：Python 爬虫百度百科爬取

上一篇：python 内存读写（详解python持久化文件读写）

下一篇：php实现无cookie的session（php实现多站点共用session实现单点登录的方法详解）

您可能感兴趣

python爬取在线评论（Python爬虫实现爬取百度百科词条功能实例）

python爬取在线评论

热门推荐

排行榜