挖的坑，终于能填上了，先共享出来，大家有个对比参考。也帮忙找找错误。我也正在看，看看原来是哪里出了问题。
下面这段代码已经实现了网页的爬取：
其效果为：
下面给出详细说明：
上图中出现的 __init__.py 文件，是一个空的，但是必须建立（我也没想明白为啥）。
程序结束后，打开output.html 就可以了。
1.这是网页管理模块 url_manager.py （点击+号，看代码）
class UrlManager(object): ???????def __init__(self): ???????self.new_urls=set() ???????self.old_urls=set() ???????????#向管理器中添加一个新的url ???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) ???????????????#向管理器中添加多个新的url ???def add_new_urls(self,urls): ???????if urls is None or len(urls)==0: ???????????return ???????for url in urls: ???????????self.add_new_url(url) ???????????????#判断管理器中是否还有新的待爬取的url ???def has_new_url(self): ???????return len(self.new_urls)!=0 ???????#从管理器中获取一个新的待爬取的url ???def get_new_url(self): ???????new_url=self.new_urls.pop()#获取并移除 ???????self.old_urls.add(new_url)#添加至旧的集合 ???????return new_url
2.这是下载网页模块 html_downloader.py
import urllib.requestclass HtmlDownloader(object): ???????#下载一个url里的数据 ???def download(self,url): ???????if url is None: ???????????return None ???????response=urllib.request.urlopen(url)#注意py2和py3不同 ???????if response.getcode()!=200:#状态码200表示获取成功 ???????????return None ???????return response.read()#返回下载好的内容
3.这是网页解析模块 html_parser.py
from bs4 import BeautifulSoupimport reimport urllib.parse#py3中urlparse在urllib中class HtmlParser(object): ???????#返回新的url集合 ???def _get_new_urls(self,page_url,soup): ???????new_urls=set() ???????#获取所有的链接，用正则匹配 ???????links=soup.find_all(‘a‘,href=re.compile(r"/item/")) ???????for link in links: ???????????new_url=link[‘href‘]#获取它的链接(不完全) ???????????#将不完整的new_url按照page_url的格式拼成完整的 ???????????new_full_url=urllib.parse.urljoin(page_url,new_url) ???????????new_urls.add(new_full_url) ???????return new_urls ???????#返回对soup的解析结果 ???def _get_new_data(self,page_url,soup): ???????res_data={} ???????#url ???????res_data[‘url‘]=page_url ???????????????#<dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1> ???????#获取词条名(用了两次find) ???????title_node=soup.find(‘dd‘,class_="lemmaWgt-lemmaTitle-title").find("h1") ???????#注意这里先split再做join，将\\变成了\ ???????res_data[‘title‘]=‘\\‘.join(title_node.get_text().split(‘\\\\‘))#加入字典中 ???????????????#<div class="lemma-summary"> ???????#获取摘要文字 ???????summary_node=soup.find(‘div‘,class_="lemma-summary") ???????#注意这里先split再做join，将\\变成了\ ???????res_data[‘summary‘]=‘\\‘.join(summary_node.get_text().split(‘\\\\‘))#加入字典中 ???????????????return res_data ???????#解析一个下载好的页面的数据，并返回新的url列表和解析结果 ???def parse(self,page_url,html_cont): ???????if page_url is None or html_cont is None: ???????????return ???????#创建一个bs对象(将网页字符串html_cont加载成一棵DOM树) ???????soup=BeautifulSoup(html_cont,‘html.parser‘) ???????new_urls=self._get_new_urls(page_url,soup) ???????new_data=self._get_new_data(page_url,soup) ???????return new_urls,new_data4.下面是网页输出模块 html_outputer.py
class HtmlOutputer(object): ???????def __init__(self): ???????self.datas=[] ???????????#收集解析好的数据 ???def collect_data(self,data): ???????if data is None: ???????????return ???????self.datas.append(data) ???????#输出所有收集好的数据 ???def output_html(self): ???????with open(‘output.html‘,‘w‘) as fout: ???????????fout.write("<html>") ???????????‘‘‘fout.write("<head>") ???????????fout.write("<meta ?charset=\"utf-8\">") ???????????fout.write("</head>")‘‘‘ ???????????fout.write("<body>") ???????????fout.write("<table>") ???????????for data in self.datas: ???????????????fout.write("<tr>") ???????????????fout.write("<td>%s</td>"%data[‘url‘]) ???????????????fout.write("<td>%s</td>"%data[‘title‘]) ???????????????fout.write("<td>%s</td>"%data[‘summary‘].encode(‘utf-8‘)) ???????????????fout.write("</tr>") ???????????fout.write("</table>") ???????????fout.write("</body>") ???????????fout.write("</html>") ???????????fout.close()5.主函数，运行这个就可以了
import url_manager,html_downloader,html_parser,html_outputerclass SpiderMain(object): ???????def __init__(self):#在构造器中初始化所需要的对象 ???????self.urls=url_manager.UrlManager()#url管理器 ???????self.downloader=html_downloader.HtmlDownloader()#下载器 ???????self.parser=html_parser.HtmlParser()#解析器 ???????self.outputer=html_outputer.HtmlOutputer()#价值数据的输出 ???????????def craw(self,root_url): ???????count=1#记录当前爬取的是第几个url ???????self.urls.add_new_url(root_url)#先将入口url给url管理器 ???????#启动爬虫的循环 ???????while self.urls.has_new_url():#如果管理器中还有url ???????????try: ???????????????new_url=self.urls.get_new_url()#就从中获取一个url ???????????????print (‘craw %d : %s‘%(count,new_url))#打印正在爬的url ???????????????html_cont=self.downloader.download(new_url)#然后用下载器下载它 ???????????????#调用解析器去解析这个页面的数据 ???????????????new_urls,new_data=self.parser.parse(new_url,html_cont) ???????????????self.urls.add_new_urls(new_urls)#新得到的url补充至url管理器 ???????????????self.outputer.collect_data(new_data)#收集数据 ???????????????if count==30:#如果已经爬了30个直接退出 ???????????????????break ???????????????count+=1 ???????????except: ???????????????print (‘craw failed‘)#标记这个url爬取失败 ???????self.outputer.output_html()#循环结束后输出收集好的数据 ???????????????????????if __name__=="__main__": ???root_url="http://baike.baidu.com/item/Python"#入口url ???obj_spider=SpiderMain() ???obj_spider.craw(root_url)
以上内容，来自：http://blog.csdn.net/shu15121856/article/details/72903146
爬取N个网页，并将其记录
原文地址：http://www.cnblogs.com/jtailong/p/7794831.html