分析目標
目標：百科詞條python及相關詞條 標題和簡介
入口頁：
url格式：
詞條url：/item/opencv
資料格式：
標題
簡介
頁面編碼：utf-8
標準作業
copy了這個個baikepython3，照抄，也不行，改了起始頁面就行了
我根據教程自己改的。但是只能爬一頁，還輸出不了。也沒報錯。我就懷疑是parse部分，組成新鏈結這部分有問題。
#感覺是自己引數設定錯了。想不通，驗證不了，沒人指點。
爬蟲排程器：
from baike_spider import url_manager, html_**********, html_parser,html_outputer
class spidermain(object):
def __init__(self):
self.urls = url_manager.urlmanager()
self.********** = html_**********.html**********()
self.parser = html_parser.htmlparser()
self.outputer = html_outputer.htmloutputer()
def craw(self, root_url):
count = 1
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()
print('craw %d:%s'%(count,new_url))
html_cont = self.**********.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 == 20:
break
count = count + 1
except:
print('craw failed')
self.outputer.output_html
if __name__ == '__main__':
root_url = ""
obj_spider = spidermain()
obj_spider.craw(root_url)
'''
created on 2023年10月24日
@author: judy
'''import urllib
class html**********(object):
def download(self,url):
if url is none:
return none
response = urllib.request.urlopen(url)
if response.getcode() != 200:
return none
return response.read()
'''
created on 2023年10月24日
@author: judy
'''class urlmanager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
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)
def add_new_urls(self,urls):
if urls is none or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
def has_new_url(self):
return len(self.new_urls) != 0
def get_new_url(self):
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
import re
import urllib
from bs4 import beautifulsoup
class htmlparser(object):
def _get_new_urls(self,page_url,soup):
new_urls = set()
links = soup.findall('a',href=re.compile(r'/item/(.*)'))
for link in links:
new_url = link['href']
new_full_url = urllib.parse.urljoin(page_url,new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self,page_url,soup):
res_data = {}
res_data['url'] = page_url
#title_node = soup.find('dd', class_="lemmawgt-lemmatitle-title'").find("h1")
res_data['title'] = title_node.get_text()
#summary_node = soup.find('div', class_="lemma-summary")
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='utf-8')
new_urls = self._get_new_urls(page_url, soup)
new_data =self._get_new_data(page_url, soup)
return new_urls,new_data
class htmloutputer(object):
def __init__(self):
self_datas =
def collect_data(self,data):
if data is none:
return
def output_html(self):
fout = open('output.html', 'w')
fout.write("")
fout.write("")
fout.write("")
if len(self.datas) == 0:
print ('empty')
for data in self.datas:
fout.write("")
fout.write("%s" % data['url'])
# 預設為ascii，所以要在後面修改為utf8
fout.write("%s" % data['title'].encode('utf8'))
fout.write("%s" % data['summary'].encode('utf8'))
fout.write("")
fout.write("")
fout.write("")
fout.write("")
fout.close()
年度考核不理想怎麼辦？
對於很多印度公司的員工來說，3月底正好到了財年的末尾，也到了揭曉他們能否得到一直期盼的加薪或者晉公升的謎底的時候。但是，倘若年度考評的結果讓你無法實現預期的目標會怎麼樣呢？也許你會因此而感到心煩意亂，甚至可能會考慮辭職，但如果真那麼做的話又可能會是弊大於利。在應對糟糕的考評結果時，你最好的做法就是保...
銷量不理想 黑莓產量將減少10
早在七月份黑莓最新財報出爐的時候，就有報道稱因其銷量不理想，黑莓將q10以及z10的產量削減50 黑莓z10和q10目前的產量約為每月200萬部，如果削減50 之後那麼產量就只剩下100萬部。日前有分析師表示，從華爾街傳來的訊息表示黑莓將整體減產10 左右。傳言表示，黑莓總產量為550萬台，削減10...
vs code 自動補全效果不理想的問題
之前一直用webstorm，最近換換口味，改用了vs code，發現vs code 智慧型提示得到的都不是我想要的 就比如 tab html結構都出不來。經過一番搜尋，發現是 vs code 自帶的提示功能和emmet語法的鍵位衝突所導致的，自帶的智慧型提示優先順序要高於emmet語法，所以才出現提...