日韩性视频-久久久蜜桃-www中文字幕-在线中文字幕av-亚洲欧美一区二区三区四区-撸久久-香蕉视频一区-久久无码精品丰满人妻-国产高潮av-激情福利社-日韩av网址大全-国产精品久久999-日本五十路在线-性欧美在线-久久99精品波多结衣一区-男女午夜免费视频-黑人极品ⅴideos精品欧美棵-人人妻人人澡人人爽精品欧美一区-日韩一区在线看-欧美a级在线免费观看

歡迎訪問 生活随笔!

生活随笔

當(dāng)前位置: 首頁 > 编程语言 > python >内容正文

python

python爬去百度百科词条_python简单爬虫爬取百度百科python词条网页

發(fā)布時間:2025/3/12 python 29 豆豆
生活随笔 收集整理的這篇文章主要介紹了 python爬去百度百科词条_python简单爬虫爬取百度百科python词条网页 小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

目標分析:

目標:百度百科python詞條相關(guān)詞條網(wǎng)頁 - 標題和簡介

入口頁:https://baike.baidu.com/item/Python/407313

URL格式:

- 詞條頁面URL:/item/xxxx

數(shù)據(jù)格式:

- 標題:

***

- 簡介:

***

頁面編碼:utf-8

爬蟲主入口文件

spider_main.py

#coding:utf-8

importurl_managerimporthtml_downloaderimporthtml_parserimporthtml_outputerclassSpiderMain(object):def __init__(self):#url管理器

self.urls =url_manager.UrlManager()#下載器

self.downloader =html_downloader.HtmlDownloader()#解析器

self.parser =html_parser.HtmlParser()#輸出控制器

self.outputer =html_outputer.HtmlOutputer()defcraw(self, root_url):#記錄當(dāng)前爬取的是第幾個url

count = 1self.urls.add_new_url(root_url)#如果有待爬取的url就繼續(xù)while循環(huán)

'''while self.urls.has_new_url():

try:

new_url = self.urls.get_new_url()

print 'craw %d : %s' % (count, new_url)

# 下載url頁面

html_cont = self.downloader.download(new_url)

# 進行url解析并獲取url的數(shù)據(jù)

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

# url解析及數(shù)據(jù)搜集

self.urls.add_new_urls(new_urls)

self.outputer.collect_data(new_data)

if count >= 1000:

break

count = count + 1

except Exception as e:

print 'craw failed'

print e'''

whileself.urls.has_new_url():

new_url=self.urls.get_new_url()print 'craw %d : %s' %(count, new_url)#下載url頁面

html_cont =self.downloader.download(new_url)#print html_cont

#進行url解析并獲取url的數(shù)據(jù)

new_urls, new_data =self.parser.parse(new_url, html_cont)#url解析及數(shù)據(jù)搜集

self.urls.add_new_urls(new_urls)

self.outputer.collect_data(new_data)if count >= 10:breakcount= count + 1

#輸出到指定頁面

self.outputer.output_html()if __name__ == "__main__":

root_url= "https://baike.baidu.com/item/Python/407313"obj_spider=SpiderMain()

obj_spider.craw(root_url)

網(wǎng)頁管理器

url_manager.py

#coding:utf-8

classUrlManager(object):def __init__(self):#要爬取的url

self.new_urls =set()#爬取過的url

self.old_urls =set()defadd_new_url(self, url):if url isNone:return

#如果url不在要爬取的url里面也不在爬取過的url里面就添加進來

if url not in self.new_urls and url not inself.old_urls:

self.new_urls.add(url)defadd_new_urls(self, urls):if urls is None or len(urls) ==0:return

for url inurls:

self.add_new_url(url)defhas_new_url(self):return len(self.new_urls) !=0defget_new_url(self):

new_url=self.new_urls.pop()

self.old_urls.add(new_url)return new_url

網(wǎng)頁下載器

html_downloader.py

#coding:utf-8

importurllib2classHtmlDownloader(object):defdownload(self, url):if url isNone:returnNone

response=urllib2.urlopen(url)if response.getcode() != 200:returnNonereturn response.read()

網(wǎng)頁分析器

html_parser.py

#coding:utf-8

from bs4 importBeautifulSoupimportreimporturlparseclassHtmlParser(object):def_get_new_urls(self, page_url, soup):#得到所有的詞條url

links = soup.find_all('a', href=re.compile(r"/item/.*"))#print links

new_urls =set()for link inlinks:

new_url= link['href']

new_full_url=urlparse.urljoin(page_url, new_url)

new_urls.add(new_full_url)returnnew_urlsdef_get_new_data(self, page_url, soup):

res_data={}#url

res_data['url'] =page_url#

#

Python

title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find("h1")

res_data['title'] =title_node.get_text()#

summary_node = soup.find('div', class_="lemma-summary")

res_data['summary'] =summary_node.get_text()returnres_datadefparse(self, page_url, html_cont):if page_url is None or html_cont isNone:returnsoup= BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')

new_urls=self._get_new_urls(page_url, soup)

new_data=self._get_new_data(page_url, soup)return new_urls,new_data

網(wǎng)頁輸出器

html_outputer.py

#coding:utf-8

classHtmlOutputer(object):def __init__(self):

self.datas=[]defcollect_data(self, data):if data isNone:returnself.datas.append(data)#ascii

defoutput_html(self):

fout= open('output.html', 'w')

fout.write("")

fout.write("

")

fout.write("

fout.write("

")

fout.write("

%s" % data['url'])

fout.write("

%s" % data['title'].encode('utf-8'))

fout.write("

%s" % data['summary'].encode('utf-8'))

fout.write("

")

fout.write("/table")

fout.write("/body")

fout.write("/html")

運行代碼:

結(jié)果頁面

總結(jié)

以上是生活随笔為你收集整理的python爬去百度百科词条_python简单爬虫爬取百度百科python词条网页的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯,歡迎將生活随笔推薦給好友。

主站蜘蛛池模板: 国产丝袜视频在线 | 潮喷失禁大喷水aⅴ无码 | 一区二区三区四区在线免费观看 | 超碰在线91 | 欧美日韩3p| 男人与雌性宠物交啪啪 | 久久这里有精品 | 国产主播在线一区 | 久久一热 | 亚洲插 | 色吊丝一区二区 | 久久久久中文字幕亚洲精品 | 国产91免费看| 奶波霸巨乳一二三区乳 | 欧美激情视频网站 | 少妇人禽zoz0伦视频 | 少妇又紧又爽视频 | 久久狠狠爱 | 北条麻妃在线一区 | 天天天天躁天天爱天天碰2018 | 欧美一级不卡视频 | 日韩精品黄 | 好爽…又高潮了毛片免费看 | 欧美日韩国产一区二区 | 色诱av手机版 | 亚洲啊v在线 | 成人区视频| 日韩av网站大全 | 致单身男女免费观看完整版 | v天堂在线| 久久成人综合 | 成人短视频在线免费观看 | 免费看一区二区三区 | 卡通动漫精品一区二区三区 | 成人无码www在线看免费 | 老熟妇仑乱一区二区视频 | 国产精品国产精品国产专区 | 亚洲专区视频 | 欧美精品在线一区二区 | 亚洲一区二区三区加勒比 | 9i看片成人免费高清 | 六月丁香婷婷综合 | 欧美老熟妇喷水 | 日韩高清久久 | 懂色av蜜臀av粉嫩av分享吧 | 丰满的人妻hd高清日本 | 免费看黄在线网站 | 国产精品久久久午夜夜伦鲁鲁 | 九一国产精品 | 日韩欧美电影一区二区三区 | 韩国av电影网站 | 国产熟妇另类久久久久 | 国产艳妇疯狂做爰视频 | 欧美18一19性内谢 | 欧美黄色小视频 | 日韩乱码人妻无码中文字幕久久 | 日本熟妇人妻xxxxx | av手机免费在线观看 | 国产精品久免费的黄网站 | 福利亚洲 | 一级黄色片免费播放 | 最新中文字幕在线 | 欧美成人视屏 | 欧美特级特黄aaaaaa在线看 | 欧美成人高清 | 69精品久久久 | 国产伦精品一区二区三区视频我 | 丁香四月婷婷 | av一本在线| 一本一道波多野结衣av黑人 | 日韩av影片 | 成年人网站在线观看视频 | 欧美日韩视频一区二区 | 91爱爱com| 91小视频在线观看 | 揉我啊嗯~喷水了h视频 | 免费黄视频在线观看 | 国产传媒视频 | 伊人色综合久久天天 | 成人777 | 日韩视频在线播放 | 黄色网在线免费观看 | 国产亚洲欧美精品久久久www | 黄网址在线观看 | 日韩电影三级 | 国产图片一区 | 日韩深夜视频 | 黑丝国产一区 | 中国人妖和人妖做爰 | 伊人青青| www亚洲| 精品丰满少妇一区二区三区 | 国产久精品 | 欧美激情不卡 | 台湾三级伦理片 | 午夜伦伦| 伊人55| 国产激情在线视频 | 欧美夜夜 |