Python的爬虫框架主要可以分为以下五个部分:

爬虫调度器:用于各个模块之间的通信,可以理解为爬虫的入口与核心(main函数),爬虫的执行策略在此模块进行定义;

URL管理器:负责URL的管理,包括带爬取和已爬取的URL、已经提供相应的接口函数(类似增删改查的函数)

网页下载器:负责通过URL将网页进行下载,主要是进行相应的伪装处理模拟浏览器访问、下载网页

网页解析器:负责网页信息的解析,这里是解析方式视具体需求来确定

信息采集器:负责将解析后的信息进行存储、显示等处理


代码示例是爬取CSDN博主下的所有文章为例,文章仅作为笔记使用,理论知识rarely

一、网页解析器简介

      解析器的工作就是按需求对网页进行解析,并将解析信息进行处理。

      解析器可以选择的工具有很多种,在这个博客里使用的时BeautifulSoup + 正则表达式进行信息的提取。BeautifulSoup使用起来比较方便(其他的目前还不会,没接触) ,因为不熟,所以不做技术说明,近将经过尝试的结果呈现。

 

二、网页解析器示例:(爬取CSDN博主下的所有文章

# author : sunzd
# date : 2019/3/22
# position: chengdu

from bs4 import BeautifulSoup
from urllib import error
import re


class HtmlParser(object):
    def __init__(self):
        # self.articles = {}
        # self.articles_url = set()
        # self.articles_title = set()
        # self.articles_date = set()
        self.url_page = None

    '''
            print(link.parent.span)         :
                <span class="article-type type-1">原</span>
            print(link.parent.span.text)    :
                节点span的内容:原
            print(link.parent.get('href'))  :
                
                
    '''
    '''
        get_article_urls最后的结果只获取了文章的URL,其中大部分代码为调试记录,没删除
    ''' 
    def get_article_urls(self, page_url, soup):
        # 1. 根据文章类型来确定文章信息
        # links = soup.find_all('span', class_=re.compile(r"article-type type-[0-9]"))
        # article_titles = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics",'data-articleid':"\d+"})
        # article_info = soup.find_all('div', class_="info-box d-flex align-content-center")

        '''
        <div>
        --< h4 >
        --< p >
        --< div >
        links = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics"})
        # 获取文章标题信息
        print(links[0].h4) # ok
        # 获取文章简介信息
        print(links[0].div.p)
        # 获取文章发表时间、阅读量信息
        for child in links[0].div.children:
            if len(child) != 3:   # 去除空的子标签
                continue
            print(child.span.text) # print(child.span)
        if len(links) > 0:
            for link in links:
                print(link.next_sibling.next_sibling.next_sibling.next_sibling)
                print(link)
        print("-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-")
        '''
        articles_url = set()
        links = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics"})
        if len(links) > 0:
            for link in links:
                try:
                    if link.attrs['style']:  # 去除第一个不属于该博主的链接
                        continue
                except KeyError as e:
                    articles_url.add(link.h4.a.get('href'))  # ******文章链接******
                    # print(link.h4.a.attrs['href'])                #get attrs在此等价
                # tmp = link.h4.a.text
                # tmp = tmp.replace("原", "")
                # tmp = tmp.replace("转", "")
                # tmp = tmp.replace("\n", "")
                # self.articles_title.add(tmp.replace(" ", ""))      # 文章标题
                # for child in link.div.children:
                # if len(child) != 3:  # 去除空的子标签
                # continue
                # # print(child.span.text)  # print(child.span)
                # self.article_date.add()

        # self.articles = dict(zip(self.articles_url, self.articles_title))  将两个列表合并为字典
        # tmp = self.articles_url.pop()
        # print(self.articles_url)
        # print("-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-")

        return articles_url

    '''
    第一页:
    <li data-page="1" class="ui-pager focus">1</li>
    <li class="js-page-next js-page-action ui-pager">下一页</li>
    <li class="js-page-last js-page-action ui-pager"></li>
    第二页:
    <li data-page="2" class="ui-pager focus">2</li>
    <li class="js-page-next js-page-action ui-pager ui-pager-disabled">下一页</li>
    <li class="js-page-last js-page-action ui-pager ui-pager-disabled"></li>
    '''
    def get_page_url(self, page_url, soup):
        if page_url is None or soup is None:
            return None

        # ?
        # 获取当前页
        cur_page = soup.find('li', attrs={'class':"ui-pager focus"}) #attrs={'class':"ui-pager focus"}
        print(cur_page)
        # 判断是否有下一页
        # links = soup.find('li', class_=re.compile(r"js-page-last.+ui-pager-disabled"))
        links = soup.find('li', class_="js-page-next js-page-action ui-pager ui-pager-disabled")

        if links is None or len(links) == 0:
            self.url_page = None
            return self.url_page
        # 寻找下一页
        # TODO:

        return self.url_page

    def parser(self, page_url, html):
        if html is None or page_url is None:
            print("html or page_url is None")
            return None
        soup = BeautifulSoup(html, 'html.parser', from_encoding='utf-8')
        articles = self.get_article_urls(page_url, soup)
        #new_page = self.get_page_url(page_url, soup)

        return articles

 

三、上述代码用到的知识点:

       1. BeautifulSoup Note:

soup = BeautifulSoup(html, 'html.parser', from_encoding='utf-8')      # 将html转换为标记树的形式soup

 使用find_all()寻找符合属性的所有节点信息:

article_titles = soup.find_all('div', attrs={'class':"article-item-box csdn-tracking-statistics",'data-articleid':"\d+"})

 可以使用find()寻找符合属性的第一个节点信息,一般这个节点为大节点.(以下为假设)

 如博客的正文节点<div>,可以先通过find找到<div>, 然后在一次遍历其他的节点、寻找所有符合要求的图片等  # find('div',attrs={}).find_all('p',attrs={}) # <div>  # ----< h4 >  # ----< p >  # ----< div >   # ---------< p > # ---------< p > # ---------< p > # 获取文章标题信息 print(links[0].h4) # ok # 获取文章简介信息 print(links[0].div.p) # 获取文章发表时间、阅读量信息 for child in links[0].div.children: if len(child) != 3: # 去除空的子标签 continue # print(child.span.text) #打印节点文本信息 # print(child.span) #打印整个节点信息

打印节点属性信息:

# print(link.h4.a.get('href')) # 文章链接 # print(link.h4.a.attrs['href']) # 文章链接 两个等价