本爬虫是基于《Python爬虫开发与项目实战》一书实现的，基于现在的网页版本进行更新，可以成功抓取数据。
爬虫基础架构和流程
《Python爬虫开发与项目实战》一书中的介绍和图
首先介绍爬虫的基础架构和流程如下图所示：
基础爬虫框架主要包括五大模块， 分别为爬虫调度器、URL 管理器、HTML 下载器、 HTML解析器、数据存储器。功能分析如下：
已爬虫调度器主要负责统筹其他四个模块的协调工作。
URL管理器负责管理URL链接 9 维护已经爬取的URL集合和未爬取的URL集合，提供获取新URL链接的接口。HTML下载器用于从URL管理器中获取未爬取的URL链接并下载HTML网页。HTML解析器用千从HTML下载器中获取已经下载的HTML网页，并从中解析出新的URL链接交给URL管理器， 解析出有效数据交给数据存储器。数据存储器用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来。下而通过图6-3展示一下爬虫框架的动态运行流程， 方便大家理解。
（1）URL管理器
URL 管理器主要包括两个变量， 一个是已爬取 URL的集合， 另 个是未爬取 URL的集合。采用 Python 中的 set 类型， 主要是使用 set 的去重复功能， 防止链接重复爬取， 因为爬取链接重复时容易造成死循环。链接去重复在 Python 爬虫开发中是必备的功能，解决方案主要有三种： 1) 内存去重 2) 关系数据库去重 3) 缓存数据库去重。大型成熟的爬虫基本上采用缓存数据库的去重方案，尽可能避免内存大小的限制，又比关系型数据库去重性能高很多。由于基础爬虫的爬取数量较小， 因此我们使用 Python 中 set 这个内存去重方式。
#coding:utf-8class UrlManager(object):def __init__(self):#未爬取URL集合self.new_urls = set()#已爬取URL集合self.old_urls = set()def has_new_url(self):"""判断是否有未爬取的URL:return:"""return self.new_url_size() != 0def get_new_url(self):"""获取一个未爬取的URL:return:"""new_url = self.new_urls.pop()self.old_urls.add(new_url)return new_urldef add_new_url(self, url):"""将新的URL添加到未爬取的URL集合:param url: 单个URL:return:"""if url is None:returnif url not in self.new_urls and url not in self.old_urls:self.new_urls.add(url)def add_new_urls(self, urls):"""将新的URL集合合并到未爬取集合中:param urls: url集合:return:"""if urls is None or len(urls) == 0:returnfor url in urls:self.add_new_url(url)def new_url_size(self):"""未爬取URL集合大小:return:"""return len(self.new_urls)def old_url_size(self):"""获取已经爬取URL集合大小:return:"""return len(self.old_urls)
(2) HTML下载器
HTML下载器用来下载网页，这时候需要注意网页的编码，以保证下载的网页没有乱码。下载器需要用到Requests模块， 里面只需要实现一个接口即可： download(url)。 程序HtmlDownloader. py代码如下：
#coding:utf-8import requestsclass HtmlDownloader(object):def download(self, url):if url is None:return Noneuser_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = {'User-Agent': user_agent}r = requests.get(url, headers = headers)if r.status_code == 200:r.encoding = 'utf-8'return r.textreturn None
(3) HTML解析器
HTML解析器使用Beautifu1Soup4进行HTML解析。需要解析的部分主要分为提取相关词条页面的URL和提取当前词条的标题和摘要信息。
针对不同的网站需要自己去查看网页结构，本博客以百度百科为例：
此外，我们还需要从当前网页中提取超链接以便于进一步抓取，查看网页结构可以得到：
对于这种标签我们可以使用正则表达式匹配
soup.find_all('a', href = pile(r'/item/\w+'))
完整代码如下：
#coding:utf-8import reimport urlparsefrom bs4 import BeautifulSoupclass HtmlParser(object):def parser(self, page_url, html_cont):"""用于解析网页内容:param page_url: 下载页面url:param html_cont: 下载页面内容:return:"""if page_url is None or html_cont is None:returnsoup = BeautifulSoup(html_cont, 'html.parser')new_urls = self._get_new_urls(page_url, soup)new_data = self._get_new_data(page_url, soup)return new_urls, new_datadef _get_new_urls(self, page_url, soup):"""抽取新的URL集合:param page_url: 下载页URL:param soup: soup对象:return:"""new_urls = set()#抽取符合要求的a标记links = soup.find_all('a', href = pile(r'/item/\w+'))for link in links:#提取href属性new_url = link['href']#拼接完整urlnew_full_url = urlparse.urljoin(page_url, new_url)new_urls.add(new_full_url)return new_urlsdef _get_new_data(self, page_url, soup):"""抽取有效数据:param page_url: 页面URL:param soup: soup对象:return:"""data = {}data['url'] = page_urltitle = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')data['title'] = title.get_text()summary = soup.find('div', class_='lemma-summary')data['summary'] = summary.get_text()return data
（4）数据存储
#coding : utf-8import codecsclass DataOutput(object):def __init__(self):self.datas = []def store_data(self, data):if data is None:returnself.datas.append(data)def output_html(self):fout = codecs.open('baike.html', 'w', encoding='utf-8')fout.write("<html>")fout.write("<body>")fout.write("<table>")for data in self.datas:fout.write("<tr>")fout.write("<td>%s</td>" % data['url'])fout.write("<td>%s</td>" % data['title'])fout.write("<td>%s</td>" % data['summary'])fout.write("</tr>")self.datas.remove(data)fout.write("</table>")fout.write("</body>")fout.write("</html>")fout.close()
（5）爬虫调度器（主函数）
以上已经对URL管理器、 HTML下载器、 HTML解析器和数据存储器等模块进行了实现， 接下来编写爬虫调度器以协调管理这些模块。 爬虫调度器首先要做的是初始化各个模块， 然后通过crawl(root—url)方法传入入口URL, 方法内部实现按照运行流程控制各个模块的工作。 爬虫调度器SpiderMain. py的程序如下：
# coding:utf-8from UrlManager import UrlManagerfrom HtmlParser import HtmlParserfrom HtmlDownloader import HtmlDownloaderfrom DataOutput import DataOutputclass SpiderMain(object):def __init__(self):self.manager = UrlManager()self.downloader = HtmlDownloader()self.parser = HtmlParser()self.output = DataOutput()def crawl(self, root_url):#添加入口yrlself.manager.add_new_url(root_url)#判断url管理器中是否有新的url，同时判断抓取了多少个urlwhile (self.manager.has_new_url() and self.manager.old_url_size() < 100):try:#从URL管理器获取新的urlnew_url = self.manager.get_new_url()#HTML下载器下载网页html = self.downloader.download(new_url)#HTML解析器抽取网页数据new_urls, data = self.parser.parser(new_url, html)#将抽取的url添加到url管理器self.manager.add_new_urls(new_urls)# 数据存储器存储文件self.output.store_data(data)print('已经抓取%s个链接' % self.manager.old_url_size())except Exception, e:print("crawl failed")self.output.output_html()if __name__=="__main__":spider_main = SpiderMain()spider_main.crawl("/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711?fromtitle=%E8%9C%98%E8%9B%9B&fromid=8135707")
爬取结果如下：
