欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python爬蟲調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)的結束,以圖片和代碼的雙重形式展現(xiàn)給大家,希望能夠對爬蟲調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)由爬蟲調度器來完成,調度器為整個程序的入口,將其余四個元件有序執(zhí)行

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

# coding: utf-8
new_urls = set()
data = {}
class SpiderMan(object):
 def __init__(self):
  #調度器內包含其它四個元件,在初始化調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()
    #調用html下載器下載頁面
    html = self.downloader.download(new_url)
    #調用解析器解析頁面,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)結束的時候將存儲的數(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?,我們就可以使用以上的代碼進行實戰(zhàn)啦。

到此這篇關于python爬蟲調度器用法及實例代碼的文章就介紹到這了,更多相關python爬蟲調度器是什么內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

  • 使用Python的Tornado框架實現(xiàn)一個簡單的WebQQ機器人

    使用Python的Tornado框架實現(xiàn)一個簡單的WebQQ機器人

    這篇文章主要介紹了使用Python的Tornado框架實現(xiàn)一個簡單的WebQQ機器人,Tornado的異步特性可以提高I/O性能,需要的朋友可以參考下
    2015-04-04
  • Python中l(wèi)ist列表的賦值方法及遇到問題處理

    Python中l(wèi)ist列表的賦值方法及遇到問題處理

    這篇文章主要介紹了Python中l(wèi)ist列表的賦值方法及遇到問題處理,記錄在列表list的賦值過程中遇到的問題,并對列表的拷貝相關知識進行匯總,需要的朋友可以參考一下
    2022-03-03
  • python處理 yaml 時保持輸入輸出格式一致的問題記錄

    python處理 yaml 時保持輸入輸出格式一致的問題記錄

    這篇文章主要介紹了python處理 yaml 時保持輸入輸出格式一致的問題記錄,要想保持順序不變在dump時添加sort_keys=False,使yaml格式保持原來的排序,本文給大家介紹的非常詳細,需要的朋友可以參考下
    2024-06-06
  • Python中的 sort 和 sorted的用法與區(qū)別

    Python中的 sort 和 sorted的用法與區(qū)別

    這篇文章主要介紹了Python中的 sort 和 sorted的用法與區(qū)別,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2019-08-08
  • Pytest中conftest.py的用法

    Pytest中conftest.py的用法

    conftest.py文件到底該如何使用呢,下面我們就來詳細了解一下conftest.py文件的特點和使用方法吧,感興趣的小伙伴們可以參考一下
    2021-06-06
  • PyQT5速成教程之Qt Designer介紹與入門

    PyQT5速成教程之Qt Designer介紹與入門

    這篇文章主要介紹了PyQT5速成教程之Qt Designer介紹與入門,本文以PyCharm為例通過實例代碼圖文相結合給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2020-11-11
  • python列表倒序的幾種方法(切片、reverse()、reversed())

    python列表倒序的幾種方法(切片、reverse()、reversed())

    本文主要介紹了python列表倒序的幾種方法(切片、reverse()、reversed()),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2022-08-08
  • Python判斷List中是否包含某個元素

    Python判斷List中是否包含某個元素

    在Python中,判斷一個列表(List)是否包含某個特定元素是常見的任務之一,本文就來介紹一下多種判斷List成員包含性的方法,并提供豐富的示例代碼,以幫助大家更好地理解和運用這些技術
    2023-12-12
  • pandas中read_csv的缺失值處理方式

    pandas中read_csv的缺失值處理方式

    今天小編就為大家分享一篇pandas中read_csv的缺失值處理方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-12-12
  • 對Python強大的可變參數(shù)傳遞機制詳解

    對Python強大的可變參數(shù)傳遞機制詳解

    今天小編就為大家分享一篇對Python強大的可變參數(shù)傳遞機制詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-06-06

最新評論