猿问

Python写了一个爬虫,结果只爬出4条数据,是parser错了还是main错了?怎么改,求帮忙

这个是main
#coding:utf8
from homework_test import url_manager, html_downloader, html_parser,\
    html_outputer

class SpiderMain(object):
    #构造函数,初始化各个对象
    def __init__(self):
        #url管理器
        self.urls = url_manager.UrlManager()
        #url下载器
        self.downloader = html_downloader.HtmlDownloader()
        #url解析器
        self.parser = html_parser.HtmlParser()
        #url输出器
        self.outputer =html_outputer.HtmlOutputer()
        
    #爬虫的调度程序
    def craw(self, root_url):
        #count记录当前爬取的是第几个url
        count = 1
        #1.首先将入口url添加入管理器
        self.urls.add_new_url(root_url)
        #启动爬虫循环,当管理器中有url时
        while self.urls.has_new_url():
            try:
                #获取一个待爬取的url
                new_url = self.urls.get_new_url()
                print 'craw %d : %s' % (count,new_url)
                #启动下载器下载页面
                html_cont = self.downloader.download(new_url)
                #调用解析器解析页面数据,返回新的url列表和新的数据
                new_urls,new_data = self.parser.parse(new_url,html_cont)
                #将新的url补充到管理器
                self.urls.add_new_urls(new_urls)
                #收集数据
                self.outputer.collect_data(new_data)
                #爬取3000个目标
                if count == 100:
                    break
                
                count = count + 1
            except:
                print 'craw failed'
            #输出收集好的数据
            self.outputer.output_html()
        
    
#1.首先编写main函数
if __name__=="__main__":
    #2.编写入口的url
    root_url = "http://www.bmw.com.cn/zh_CN/index.html"
    obj_spider = SpiderMain() 
    #3.启动爬虫
    obj_spider.craw(root_url)

*********************************************************************

这个是parser

#coding:utf8

from bs4 import BeautifulSoup

import re

import urlparse


class HtmlParser(object):

    

    def _get_new_urls(self, page_url, soup):

        #将结果存到一个列表中

        new_urls = set()

        #/view/1234.htm

        #href="//www.bmw.com.cn/zh_CN/topics/premium_selection.html"

        #links = soup.find_all('a',href = re.compile(r"/view/\d+\.htm"))

        links = soup.find_all('a',href = re.compile(r"//www\.bmw\.com\.cn/zh_CN/topics/\w+\.htm"))

        for link in links:

            new_url = link['href']

            new_full_url = urlparse.urljoin(page_url, new_url)

            new_urls.add(new_full_url)

        return new_urls

    

    def _get_new_data(self, page_url, soup):

        res_data ={}

        

        #url

        res_data['url']=page_url

        

        #<dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1>

        #<li class="mainNavProductItemsSeries">

        #ul class="mainNavItems"

        #<ul class="ul_level_2">

        #title_node = soup.find('ul',class_="ul_level_2").find("li")

        #res_data['title'] = title_node.get_text()

        

        #<div class="lemma-summary" label-module="lemmaSummary">

        #<div class="mainNavTopicItemsLevel2" 

        #<div class="bottomNavBlock">

        #<div class="overviewContainer">

        summary_node = soup.find('div',class_="bottomNavBlock")

        res_data['summary'] = summary_node.get_text()

        

        return res_data

    

    

    

    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='gb2312')

        new_urls = self._get_new_urls(page_url,soup)

        new_data = self._get_new_data(page_url,soup)

        return new_urls,new_data

        


weibo_漫河乡_03621568
浏览 1900回答 1
1回答

丶包菜

得检查下正则表达式,以及对应网页url的格式是否有,是否只有四个。检查是否有类似 xxx.htm?force=1格式的网页,这种写不进本地
随时随地看视频慕课网APP

相关分类

Python
我要回答