Ai
1 Star 2 Fork 0

李波/LearnPython

加入 Gitee
与超过 1200万 开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :)
免费加入
文件
该仓库未声明开源许可证文件(LICENSE),使用请关注具体项目描述及其代码上游依赖。
克隆/下载
spider_main.py 1.29 KB
一键复制 编辑 原始数据 按行查看 历史
import html_downloader
import html_outputer
import html_parser
import url_manager
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, root_url):
count = 1 # 爬取第几个页面
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try: # 处理有些页面链接失效的问题,此时抛出异常
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)
if count == 1000: # 只爬取1000个页面
break
count = count + 1
except Exception as e:
print(e)
print('Craw failed!')
self.outputer.output_html()
if __name__ == "__main__":
root_url = "https://baike.baidu.com/item/Python/407313"
obj_spider = SpiderMain()
obj_spider.craw(root_url)
Loading...
马建仓 AI 助手
尝试更多
代码解读
代码找茬
代码优化
Python
1
https://gitee.com/libo-sober/learn-python.git
git@gitee.com:libo-sober/learn-python.git
libo-sober
learn-python
LearnPython
master

搜索帮助