Step3 - 适配器
爬虫中最经常遇到的问题
爬虫中最经常遇到的问题就是 我们需要对不同的网站上的内容进行抓取,但是抓取到的内容结构都是一样的,后续处理也是一样的,只是不同网站上展示我们要的内容的方式是不一样的,需要我们对各个网站逐一分析,构建需要的适配器去处理
实现一个简单的适配器
为了更通用地取匹配多个需要下载的网站,我们通常需要使用适配器,主程序中调用相同的方法,却可以对不同的网站进行下载。
实现适配器的方法有多种,这里因为没有用class,就简单的使用 importlib 中的 import_module 方法,也可以实现我们需要的功能
最简单实现:
先建立一个文件夹 extractors,里面建立三个文件: __init__.py, baisi.py, qiubai.py
__init__.py 不用写代码
baisi.py:
def TransferPageToData_baisi(url):
print('baisi', url)
transfer = TransferPageToData_baisi
qiubai.py
def TransferPageToData_qiubai(url):
print('qiubai', url)
transfer = TransferPageToData_qiubai
然后将我们的main.py 修改成如下:
# coding: utf-8
from pyquery import PyQuery as pq
from utils.common import GetMedia, GetPage
from importlib import import_module
SITES = {
'qiubai': 'http://www.qiushibaike.com/',
'baisi': 'http://www.budejie.com/'
}
def AnyTransfer(key, sites=SITES):
m = import_module('.'.join(['extractors', key]))
url = sites[key]
m.transfer(url)
def main():
for (k, v) in SITES.items():
AnyTransfer(k)
if __name__ == '__main__':
main()
然后我们运行
$ python3 main.py
得到结果
简单说明:
其实我们这一种实现方式的关键就是 :
extractors里面的适配器都返回同样的数据结构(上面我们只是print, 待会我们返回都是json 的list)
利用transfer = XXXX 最后返回统一的函数名
在主函数中 利用 m = import_module('.'.join(['extractors', key])) 直接获得模块,然后调用模块的transfer函数
这里我们简单的直接用 dict的key直接去配对我们的module了,如果更好一些可以对url正则去判断适配哪个适配器,这里不做扩展,感兴趣的朋友可以去看看you-get的实现方式
完善适配器
最后我们加入对各网站的解析,并返回一个list
baisi.py
from pyquery import PyQuery as pq
from utils.common import (GetMedia, GetPage)
def TransferPageToData_baisi(url):
page = GetPage(url)
results = []
d = pq(page)
contents = d("div .g-mn .j-r-c .j-r-list ul li .j-r-list-c")
for item in contents:
i = pq(item)
content = i("div .j-r-list-c-desc").text().strip()
video_id = i("div .j-video-c").attr('data-id')
pic_id = i("div .j-r-list-c-img img").attr('data-original')
if video_id:
print('video: ' + video_id)
video_des = i("div .j-video").attr('data-mp4')
video_path = GetMedia(video_des, media_type='video')
dct = {
"content": content,
"id": video_id,
"type": "video",
"mediapath": video_path
}
results.append(dct)
elif pic_id:
print('pic: ' + pic_id)
pic_path = GetMedia(pic_id)
dct = {
"content": content,
"id": pic_id,
"type": "pic",
"mediapath": pic_path
}
results.append(dct)
return results
transfer = TransferPageToData_baisi
qiubai.py
from pyquery import PyQuery as pq
from utils.common import (GetMedia, GetPage)
def TransferPageToData_qiubai(url):
page = GetPage(url)
results = []
d = pq(page)
contents = d("div .article")
for item in contents:
i = pq(item)
pic_url = i("div .thumb img").attr.src
content = i("div .content").text()
qiubai_id = i.attr.id
print("qiubai:", qiubai_id)
if pic_url:
pic_path = GetMedia(pic_url)
dct = {
'id': qiubai_id,
'type': 'pic',
'mediapath': pic_path,
'content': content
}
else:
dct = {
'id': qiubai_id,
'type': 'text',
# 'mediapath': '',
'content': content
}
results.append(dct)
return results
transfer = TransferPageToData_qiubai
main.py
# coding: utf-8
from importlib import import_module
__author__ = 'BONFY CHEN <foreverbonfy@163.com>'
SITES = {
'qiubai': 'http://www.qiushibaike.com/',
'baisi': 'http://www.budejie.com/'
}
def AnyTransfer(key, sites=SITES):
m = import_module('.'.join(['extractors', key]))
url = sites[key]
results = m.transfer(url)
return results
def PrepareData():
results = []
for (k, v) in SITES.items():
results = results + AnyTransfer(k)
return results
def main():
print(PrepareData())
if __name__ == '__main__':
main()
运行得到结果
完整代码
详情见 https://github.com/bonfy/xiaolinBot
敬请期待下一讲 数据存储Mongodb
如果大家觉得有用,也请不要吝啬Star 和 Like哦~
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。