本文將為大家詳細(xì)介紹“python網(wǎng)絡(luò)爬蟲的流程步驟”，內(nèi)容步驟清晰詳細(xì)，細(xì)節(jié)處理妥當(dāng)，而小編每天都會更新不同的知識點(diǎn)，希望這篇“python網(wǎng)絡(luò)爬蟲的流程步驟”能夠給你意想不到的收獲，請大家跟著小編的思路慢慢深入，具體內(nèi)容如下，一起去收獲新知識吧。
為思禮等地區(qū)用戶提供了全套網(wǎng)頁設(shè)計(jì)制作服務(wù)，及思禮網(wǎng)站建設(shè)行業(yè)解決方案。主營業(yè)務(wù)為成都網(wǎng)站制作、成都做網(wǎng)站、思禮網(wǎng)站設(shè)計(jì)，以傳統(tǒng)方式定制建設(shè)網(wǎng)站，并提供域名空間備案等一條龍服務(wù)，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠的服務(wù)。我們深信只要達(dá)到每一位用戶的要求，就會得到認(rèn)可，從而選擇與我們長期合作。這樣，我們也可以走得更遠(yuǎn)！python網(wǎng)絡(luò)爬蟲步驟：首先準(zhǔn)備所需庫，編寫爬蟲調(diào)度程序；然后編寫url管理器，并編寫網(wǎng)頁下載器；接著編寫網(wǎng)頁解析器；最后編寫網(wǎng)頁輸出器即可。
python網(wǎng)絡(luò)爬蟲步驟
（1）準(zhǔn)備所需庫
我們需要準(zhǔn)備一款名為BeautifulSoup（網(wǎng)頁解析）的開源庫，用于對下載的網(wǎng)頁進(jìn)行解析，我們是用的是PyCharm編譯環(huán)境所以可以直接下載該開源庫。
步驟如下：
選擇File->Settings
打開Project:PythonProject下的Project interpreter
點(diǎn)擊加號添加新的庫
輸入bs4選擇bs4點(diǎn)擊Install Packge進(jìn)行下載
（2）編寫爬蟲調(diào)度程序
這里的bike_spider是項(xiàng)目名稱引入的四個(gè)類分別對應(yīng)下面的四段代碼url管理器，url下載器，url解析器，url輸出器。
重慶分公司
重慶分公司
# 爬蟲調(diào)度程序
from bike_spider import url_manager, html_downloader, html_parser, html_outputer
# 爬蟲初始化
class SpiderMain(object):
def __init__(self):
self.urls = url_manager.UrlManager()
self.downloader = html_downloader.HtmlDownloader()
self.parser = html_parser.HtmlParser()
self.outputer = html_outputer.HtmlOutputer()
def craw(self, my_root_url):
count = 1
self.urls.add_new_url(my_root_url)
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()
print("craw %d : %s" % (count, new_url))
# 下載網(wǎng)頁
html_cont = self.downloader.download(new_url)
# 解析網(wǎng)頁
new_urls, new_data = self.parser.parse(new_url, html_cont)
self.urls.add_new_urls(new_urls)
# 網(wǎng)頁輸出器收集數(shù)據(jù)
self.outputer.collect_data(new_data)
if count == 10:
break
count += 1
except:
print("craw failed")
self.outputer.output_html()
if __name__ == "__main__":
root_url = "http://baike.baidu.com/item/Python/407313"
obj_spider = SpiderMain()
obj_spider.craw(root_url)(3)編寫url管理器
我們把已經(jīng)爬取過的url和未爬取的url分開存放以便我們不會重復(fù)爬取某些已經(jīng)爬取過的網(wǎng)頁。
# url管理器 class UrlManager(object): def __init__(self): self.new_urls = set() self.old_urls = set() def add_new_url(self, url): if url is None: return if url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) def add_new_urls(self, urls): if urls is None or len(urls) == 0: return for url in urls: self.new_urls.add(url) def get_new_url(self): # pop方法會幫我們獲取一個(gè)url并且移除它 new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url def has_new_url(self): return len(self.new_urls) != 0
（4）編寫網(wǎng)頁下載器
通過網(wǎng)絡(luò)請求來下載頁面
# 網(wǎng)頁下載器 import urllib.request class HtmlDownloader(object): def download(self, url): if url is None: return None response = urllib.request.urlopen(url) # code不為200則請求失敗 if response.getcode() != 200: return None return response.read()
（5）編寫網(wǎng)頁解析器
對網(wǎng)頁進(jìn)行解析時(shí)我們需要知道我們要查詢的內(nèi)容都有哪些特征，我們可以打開一個(gè)網(wǎng)頁點(diǎn)擊右鍵審查元素來了解我們所查內(nèi)容的共同之處。
# 網(wǎng)頁解析器
import re
from bs4 import BeautifulSoup
from urllib.parse import urljoin
class HtmlParser(object):
def parse(self, page_url, html_cont):
if page_url is None or html_cont is None:
return
soup = 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
def _get_new_data(self, page_url, soup):
res_data = {"url": page_url}
# 獲取標(biāo)題
title_node = soup.find("dd", class_="lemmaWgt-lemmaTitle-title").find("h2")
res_data["title"] = title_node.get_text()
summary_node = soup.find("p", class_="lemma-summary")
res_data["summary"] = summary_node.get_text()
return res_data
def _get_new_urls(self, page_url, soup):
new_urls = set()
# 查找出所有符合下列條件的url
links = soup.find_all("a", href=re.compile(r"/item/"))
for link in links:
new_url = link['href']
# 獲取到的url不完整，學(xué)要拼接
new_full_url = urljoin(page_url, new_url)
new_urls.add(new_full_url)
return new_urls（6）編寫網(wǎng)頁輸出器
輸出的格式有很多種，我們選擇以html的形式輸出，這樣我們可以的到一個(gè)html頁面。
# 網(wǎng)頁輸出器
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
# 我們以html表格形式進(jìn)行輸出
def output_html(self):
fout = open("output.html", "w", encoding='utf-8')
fout.write("")
fout.write("")
fout.write("")
# 以表格輸出
fout.write("")
for data in self.datas:
# 一行
fout.write("")
# 每個(gè)單元行的內(nèi)容
fout.write("%s " % data["url"])
fout.write("%s " % data["title"])
fout.write("%s " % data["summary"])
fout.write(" ")
fout.write("
")
fout.write("")
fout.write("")
# 輸出完畢后一定要關(guān)閉輸出器
fout.close() 如果你能讀到這里，小編希望你對“python網(wǎng)絡(luò)爬蟲的流程步驟”這一關(guān)鍵問題有了從實(shí)踐層面最深刻的體會，具體使用情況還需要大家自己動手實(shí)踐使用過才能領(lǐng)會，如果想閱讀更多相關(guān)內(nèi)容的文章，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
