最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

python爬蟲調(diào)度器用法及實例代碼

 更新時間:2020年11月30日 16:03:54   作者:小妮淺淺  
在本篇文章里小編給各位整理了關于python爬蟲調(diào)度器用法及實例代碼,需要的朋友們可以參考學習下。

我們一般使用爬蟲看到的都是最后的數(shù)據(jù)結(jié)果,對于整個的獲取過程沒有過多了解過。對于初學python的小伙伴們來說,不光是代碼的練習,還是原理的分析都是必不可少的。

小編把整個爬取的過程分為了幾個部分,從一開始的下載,到數(shù)據(jù)的去重解析,再到整個爬蟲循環(huán)的結(jié)束,以圖片和代碼的雙重形式展現(xiàn)給大家,希望能夠?qū)ε老x調(diào)度器有一個深刻的理解。

我們可以編寫幾個元件,每個元件完成一項功能,下圖中的藍底白字就是對這一流程的抽象:

  • UrlManager:將存儲和獲取url以及url去重的幾個步驟在url管理器中完成(當然也可以針對每一步分別編寫相應的函數(shù),但是這樣更直觀)。url管理器要有兩個url倉庫,一個存儲未爬取的url,一個存儲已爬取的url,除了倉庫之外,還應該具有一些完成特定功能的函數(shù),如存儲url、url去重、從倉庫中挑選并返回一個url等
  • HtmlDownloader:將下載網(wǎng)頁內(nèi)容的功能在HTML下載器中完成,下載器的功能較為單一,不多解釋。但從整個爬蟲的角度上來說,下載器是爬蟲的核心,在實際操作的過程中,下載器要和目標網(wǎng)站的各種反爬蟲手段斗智斗勇(各種表單、隱藏字段和假鏈接、驗證碼、IP限制等等),這也是最耗費大腦的步驟
  • HtmlParser:解析提取數(shù)據(jù)的功能在HTML解析器中完成,解析器內(nèi)的函數(shù)應該分別具有返回數(shù)據(jù)和新url的功能
  • DAtaOutput:存儲數(shù)據(jù)的功能由數(shù)據(jù)存儲器完成
  • SpiderMan:主循環(huán)由爬蟲調(diào)度器來完成,調(diào)度器為整個程序的入口,將其余四個元件有序執(zhí)行

爬蟲調(diào)度器將要完成整個循環(huán),下面寫出python下爬蟲調(diào)度器的程序:

# coding: utf-8
new_urls = set()
data = {}
class SpiderMan(object):
 def __init__(self):
  #調(diào)度器內(nèi)包含其它四個元件,在初始化調(diào)度器的時候也要建立四個元件對象的實例
  self.manager = UrlManager()
  self.downloader = HtmlDownloader()
  self.parser = HtmlParser()
  self.output = DataOutput()
 def spider(self, origin_url):
  #添加初始url
  self.manager.add_new_url(origin_url)
  #下面進入主循環(huán),暫定爬取頁面總數(shù)小于100
  num = 0
  while(self.manager.has_new_url() and self.manager.old_url_size()<100):
   try:
    num = num + 1
    print "正在處理第{}個鏈接".format(num)
    #從新url倉庫中獲取url
    new_url = self.manager.get_new_url()
    #調(diào)用html下載器下載頁面
    html = self.downloader.download(new_url)
    #調(diào)用解析器解析頁面,返回新的url和data
    try:
     new_urls, data = self.parser.parser(new_url, html)
    except Exception, e:
     print e
    for url in new_urls:
     self.manager.add_new_url(url)
    #將已經(jīng)爬取過的這個url添加至老url倉庫中
    self.manager.add_old_url(new_url)
    #將返回的數(shù)據(jù)存儲至文件
     self.output.store_data(data)
     print "store data succefully"
    print "第{}個鏈接已經(jīng)抓取完成".format(self.manager.old_url_size())
   except Exception, e:
    print e
  #爬取循環(huán)結(jié)束的時候?qū)⒋鎯Φ臄?shù)據(jù)輸出至文件
  self.output.output_html()

從整個循環(huán)的流程我們可以看出,由爬蟲調(diào)度器指揮四個元件完成數(shù)據(jù)的抓取、篩選、保存流程,并以此為基礎還可以進行新的循環(huán)??炊碇螅覀兙涂梢允褂靡陨系拇a進行實戰(zhàn)啦。

到此這篇關于python爬蟲調(diào)度器用法及實例代碼的文章就介紹到這了,更多相關python爬蟲調(diào)度器是什么內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!

相關文章

最新評論

达日县| 武定县| 丹寨县| 图木舒克市| 隆化县| 北安市| 德惠市| 同德县| 芜湖市| 安龙县| 平乡县| 洞口县| 南城县| 泰州市| 青神县| 江华| 高碑店市| 庆云县| 中山市| 孟州市| 临汾市| 亚东县| 五家渠市| 岑溪市| 大埔县| 宕昌县| 兰考县| 邵武市| 连南| 壤塘县| 简阳市| 江源县| 清流县| 江孜县| 宜君县| 宝鸡市| 广灵县| 兴隆县| 理塘县| 纳雍县| 阿拉善右旗|