Pyhton实例,抓取百度词条关于Python的内容(一)
2017-01-06 18:25
381 查看
1.基本结构
开发爬虫实例:
1.1、步骤
1.1.1、确定目标:确定抓取哪个网站的哪些网页的哪部分数据。本实例确定抓取百度百科python词条页面以及它相关的词条页面的标题和简介。
1.1.2、分析目标:最重要,确定抓取数据的策略。一是分析要抓取的目标页面的URL格式,用来限定要抓取的页面的范围;二是分析要抓取的数据的格式,在本实例中就是要分析每一个词条页面中标题和简介所在的标签的格式;三是分析页面的编码,在网页解析器中指定网页编码,才能正确解析。
1.1.3、编写代码:在解析器中会使用到分析目标步骤所得到的抓取策略的结果。
1.1.4、执行爬虫。
2.抓取实验
2.1 进入百度词条”Python”页面,右击审查元素,获得页面相关信息,所需信息如下:
2.2
调度程序
spider_main
今天先写到这里,后续更新。
开发爬虫实例:
1.1、步骤
1.1.1、确定目标:确定抓取哪个网站的哪些网页的哪部分数据。本实例确定抓取百度百科python词条页面以及它相关的词条页面的标题和简介。
1.1.2、分析目标:最重要,确定抓取数据的策略。一是分析要抓取的目标页面的URL格式,用来限定要抓取的页面的范围;二是分析要抓取的数据的格式,在本实例中就是要分析每一个词条页面中标题和简介所在的标签的格式;三是分析页面的编码,在网页解析器中指定网页编码,才能正确解析。
1.1.3、编写代码:在解析器中会使用到分析目标步骤所得到的抓取策略的结果。
1.1.4、执行爬虫。
2.抓取实验
2.1 进入百度词条”Python”页面,右击审查元素,获得页面相关信息,所需信息如下:
2.2
调度程序
spider_main
# coding:utf8 from Headwords import html_downloader from Headwords import html_outputer from Headwords import html_parser from Headwords import url_manager class Spider_Main(object): #爬虫的初始化,管理器、下载器、解析器、输出器 def __init__(self): self.urls = url_manager.UrlManager() self.downloader = html_downloader.HtmlDownloader() self.parser = html_parser.HtmlParser() self.outputer = html_outputer.Outputer() def craw(self, root_url): count = 1 self.urls.add_new_url(root_url) while self.urls.has_new_url(): #有一些URL已经失效,或者无法访问,所以我们需要添加特殊情况 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) #只爬取1000个 if count ==1000: break count = count +1 except: print"craw failed" self.outputer.output_html() if __name__ =="__main__": root_url = "http://baike.baidu.com/view/21087.htm" obj_spider = Spider_Main() obj_spider.craw(root_url)
今天先写到这里,后续更新。
相关文章推荐
- Pyhton实例,抓取百度词条关于Python的内容(二)
- Python爬虫----实例: 抓取百度百科Python词条相关1000个页面数据
- 关于 Python 数据抓取、分析、挖掘、机器学习和Python 分布式计算内容分享
- python3.4学习笔记(十三) 网络爬虫实例代码,使用pyspider抓取多牛投资吧里面的文章信息,抓取政府网新闻内容
- 关于 Python 数据抓取 & 分析 & 机器学习 & 挖掘 & 神经网络 内容的分享。
- python抓取页面内容 实例
- 百度uedit编辑器,内容重复问题的分析与解决实例
- Python抓取网页内容应用代码分析
- c#关于网页内容抓取,简单爬虫的实现。(包括动态,静态的)
- c#关于网页内容抓取,简单爬虫的实现。(包括动态,静态的)
- python实例-网站标题的抓取
- python抓取网页内容
- Python网页抓取:获取页面中某段内容的xpath
- 关于在python中获取CGI之POST请求data块内容
- python模拟浏览器登录淘宝抓取内容
- Python_BeautifulSoup 抓取网页内容入门
- Python抓取html内容
- php实现抓取网站百度快照和百度收录数量的代码实例
- 一个简单的使用代理访问百度页面内容的python脚本
- python实现抓取网页上的内容并发送到邮箱