python爬蟲主要就是五個子產品：爬蟲啟動入口子產品，URL管理器存放已經爬蟲的URL和待爬蟲URL清單，html下載下傳器，html解析器，html輸出器 同時可以掌握到urllib2的使用、bs4（BeautifulSoup）頁面解析器、re正規表達式、urlparse、python基礎知識回顧（set集合操作）等相關内容。

本次python爬蟲百步百科，裡面詳細分析了爬蟲的步驟，對每一步代碼都有詳細的注釋說明，可通過本案例掌握python爬蟲的特點：

1、爬蟲排程入口（crawler_main.py）

# coding:utf-8
from com.wenhy.crawler_baidu_baike import url_manager, html_downloader, html_parser, html_outputer

print "爬蟲百度百科排程入口"

# 建立爬蟲類
class SpiderMain(object):

    # 初始化 url管理器 html下載下傳器 解析器 輸出器
    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.HtmlDownloader()
        self.parser = html_parser.HtmlParser()
        self.output = html_outputer.HtmlOutput()


def craw(urls, downloader, parser, output, root_url):
    # 計數
    count = 1
    # 添加url到url管理器中
    urls.add_new_url(root_url)
    # 判斷是否有新的URL
    while urls.has_new_url():
        try:

            # 擷取新的URL
            new_url = urls.get_new_url()
            print 'crawler %d : %s' % (count, new_url)
            # 下載下傳html頁面資料
            html_cont = downloader.download(new_url)
            # 解析頁面得到新的url清單，新的資料
            new_urls, new_data = parser.parser(new_url, html_cont)
            # 把解析到的url數組批量添加到url管理器中
            urls.add_new_urls(new_urls)
            # 收集資料
            output.collect_data(new_data)
            # 爬蟲1000頁面
            if count == 500:
                break
            count = count + 1

        except Exception as e:
            print 'Crawler Failed ', e

    output.output_html()


if __name__ == '__main__':
    # 入口URL 百度百科位址
    root_url = "http://baike.baidu.com/item/Python"
    # 建立爬蟲
    obj_spider = SpiderMain()
    # 啟動爬蟲
    craw(obj_spider.urls, obj_spider.downloader, obj_spider.parser, obj_spider.output, root_url)

2、封裝URL管理器（url_manager.py）      

# coding:utf-8

print "URL管理器"


class UrlManager(object):

    # 初始化url容器（set集合）
    def __init__(self):
        self.new_urls = set()
        self.old_urls = set()

    # 添加一個新的待爬取url
    def add_new_url(self, url):

        if url is None:
            return

        # 判斷url不在新的url集合中也不再舊的url集合中 說明是一個全新的url
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    # 批量添加解析頁面的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)

    # 判斷是否有新的待爬取的url
    def has_new_url(self):
        # 如果新的url集合裡面len不等于0 說明有待爬取的url
        return len(self.new_urls) != 0

    # 獲得url位址
    def get_new_url(self):
        # 擷取url并移除目前url
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

3、HTML下載下傳器（html_downloader.py）      

# coding:utf-8

import urllib2
print "下載下傳HTML"


class HtmlDownloader(object):

    def download(self, url):
        # 判斷是否為空
        if url is None:
            return None
        # 下載下傳url
        response = urllib2.urlopen(url)
        # 判斷傳回結果是否為200
        if response.getcode() != 200:
            return None
        # 成功 傳回頁面内容
        return response.read()

4、HTML 解析器(html_parser.py)      

# coding:utf-8

from bs4 import BeautifulSoup
import re
import urlparse

print "HTML 解析器"


class HtmlParser(object):

    def _get_new_urls(self, page_url, soup):

        # 建立一個集合儲存頁面解析出來的所有url
        new_urls = set()
        # /item/  詞條url
        links = soup.find_all('a', href=re.compile(r'/item/'))
        for link in links:
            # 擷取連接配接
            new_url = link['href']
            # url拼接
            new_full_url = urlparse.urljoin(page_url, new_url)
            # print 'new_full_url', new_full_url
            # 添加到集合中url
            new_urls.add(new_full_url)
        return new_urls


    def _get_new_data(self, page_url, soup):
        # 定義一個dict 集合
        res_data = {}

        res_data['url'] = page_url
        # < dd class ="lemmaWgt-lemmaTitle-title" >< h1 > 自由軟體 < / h1 >
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        res_data['title'] = title_node.get_text()
        # <div class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('div', class_='lemma-summary')
        res_data['summary'] = summary_node.get_text()

        return res_data


    # 解析器
    def parser(self, page_url, html_content):

        if page_url is None or html_content is None:
            return

        # 使用BeautifulSoup 解析html頁面
        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

5、HTML 輸出頁面（html_outputer.py）      

# coding:utf-8

print "HTML 輸出頁面"


class HtmlOutput(object):

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

    # 收集資料
    def collect_data(self, data):
        if data is None:
            return
        self.datas.append(data)

    # 展示資料
    def output_html(self):

        fout = open('output.html', 'w')

        fout.write('<html>')
        fout.write('<head>')
        fout.write('<meta http-equiv="Content-Type" content="text/html;charset=utf-8">')
        fout.write('</head>')
        fout.write('<body>')
        fout.write('<table border="1">')
        for data in self.datas:
            fout.write('<tr>')
            fout.write('<td><a href = "%s">%s</a></td>' % (data['url'].encode('utf-8'), data['title'].encode('utf-8')))
            fout.write('<td>%s</td>' % data['summary'].encode('utf-8'))
            fout.write('</tr>')
        fout.write('</table>')
        fout.write('</body>')
        fout.write('</html>')

        fout.close()


總結：python爬蟲主要就是五個子產品：爬蟲啟動入口子產品，URL管理器存放已經爬蟲的URL和待爬蟲URL清單，html下載下傳器，html解析器，html輸出器
     同時可以掌握到urllib2的使用、bs4（BeautifulSoup）頁面解析器、re正規表達式、urlparse、python基礎知識回顧（set集合操作）等相關内容。