全部版块 我的主页
论坛 数据科学与人工智能 大数据分析 数据仓库技术
1755 1
2021-10-20
## Go高级工程师实战营
链接:https://pan.baidu.com/s/1pJ6FnFA3E5Bx45e-2duXZA
提取码:a937
--来自百度网盘超级会员V4的分享

#coding=utf8
class UrlManager(object):


    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()


    #添加新的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)

    #批量添加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)

    #能否有新的url
    def has_new_url(self):
        return len(self.new_urls) != 0

    #获取新的url
    def get_new_url(self):
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)

        return new_url


URL下载模块,担任把网页的内容下载下来,运用urllib2库停止下载。
#coding utf8

import urllib2


class HtmlDownloader(object):

    def download(self, url):
        if url is None:
            return None

        response = urllib2.urlopen(url);

        if response.getcode == 200:
            return None

        return response.read()

URL解析模块,运用Beautifulsoup把当前网页的其他链接和网页简介解析出来。
# coding:utf-8
import urlparse

from bs4 import BeautifulSoup
import re


class HtmlParser(object):
    def parser(self, page_url, html_content):
        if page_url is None or html_content is None:
            return
        soup = BeautifulSoup(html_content, "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

    def _get_new_urls(self, page_url, soup):
        new_urls = set()

        links = soup.find_all('a', href=re.compile(r'/item/'))

        for link in links:
            new_url = link["href"]
            new_url_full = urlparse.urljoin(page_url, new_url)
            new_urls.add(new_url_full)

        return new_urls

    def _get_new_data(self, page_url, soup):
        res_data = {}

        res_data['url'] = page_url

        #Python
        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

输出模块,担任把解析的网页内容保管起来。
#coding=utf-8

class HtmlOutputer(object):

    def __init__(self):
        self.datas = []

    def collect_data(self,data):
        if data is None:
            return

        self.datas.append(data)


    def outpute_html(self):
        fout = open("outputer.html",'w')
        fout.write("")
        fout.write("")
        fout.write("")



        for data in self.datas:
            fout.write("")
            fout.write("%s" % data['url'])
            fout.write("%s" % data['title'].encode('utf-8'))
            fout.write("%s" % data['summary'].encode('utf-8'))
            fout.write("")

        fout.write("")
        fout.write("")
        fout.write("")




二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2021-12-25 20:54:40
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群