任務的目標是將百度百科的python頁面的詞彙解釋和與python相關的連結詞彙解釋。
通過審查百度百科頁面的編碼可以知道：
      相關的url連結的編碼格式是：(‘a’, href=re.compile(r”/item/”))這類格式
      標題的編碼是《dd class=”lemmaWgt-lemmaTitle-title”》 這種型別的格式
      標題的百度百科是div class=”lemma-summary” label-module=”lemmaSummary”
這種型別的格式。
已知道以上的資訊就可以對這些網頁進行自動爬取。
主函式在下面：

#spdier_main.py
from baike_spider import url_manager, html_downloader, html_parser, html_outputer


class SpiderMain(object):
    def __init__(self):  # 初始化
        self.urls = url_manager.UrlManager()  # url管理器
        self.downloader = html_downloader.HtmlDownloader()  # 下載器
        self.parser = html_parser.HtmlParser()  # 解析器
 

        self.outputer = html_outputer.HtmlOutputer()  # 輸出器

    def craw(self, root_url):
        count = 1
        self.urls.add_new_url(root_url)#新增新的url
        while self.urls.has_new_url():#檢查是否還有新的url
            try:
                new_url = self.urls.get_new_url()#獲取新的url
                print('craw %d : %s'
 
 % (count, new_url))
                html_cont = self.downloader.download(new_url)#下載該url的編碼
                new_urls, new_data = self.parser.parse(new_url, html_cont)#用解析器得到新的url和有價值的資訊
                self.urls.add_new_urls(new_urls)#新增新的url（這裡和上面不是同一個函式，因為這裡新增的url可能有多個）
                self.outputer.collect_data(new_data)#輸出有價值的資訊

                if count >= 100:
                    break

                count += 1

            except Exception as e:#有可能遇見錯誤的網頁
                print(str(e))
                # 根據報錯資訊提示錯誤

            self.outputer.output_html()


if __name__ == '__main__':
    root_url = 'https://baike.baidu.com/item/Python/407313?fr=aladdin'#待爬取的網址
    obj_spider = SpiderMain()#建立爬蟲
    obj_spider.craw(root_url)#進行抓取

通過主函式可以看出，主要需要實現url管理器，頁面下載，頁面解析，以及頁面輸出這四個類：
一：url管理器：
     url管理器主要是為了防止迴圈爬取，需要保證每個待爬取的url都是一個從未遇見的url，然後才會將該url放入未爬取的url集合中去，等待下一次迴圈進行爬取。

#url_manager.py
class UrlManager(object):
    def __init__(self):#url管理器裡面需要兩個set來分別記錄已經爬去的類和未爬取的類
        self.new_urls = set()
        self.old_urls = set()

    def add_new_url(self, url):#如果待新增的url為有效的url，且該url即不在已爬去的set裡，也不在未爬去的set裡，則新增
        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):#對於新增一堆的url
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

    def has_new_url(self):#檢查是否還有未爬取的url。
        return len(self.new_urls) != 0

    def get_new_url(self):#從未爬取的url set中取出一個url
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

二：頁面下載類：

#html_downloader.py#
import string
from urllib import request
from urllib.parse import quote


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

        url_ = quote(url, safe=string.printable)#這個主要應對中文編碼的問題。
        response = request.urlopen(url_)

        if response.getcode() != 200:#判斷是否正常訪問該網頁
            return None

        return response.read()

三：頁面解析器：

#html_parser.py
import re
import urllib.parse
from bs4 import BeautifulSoup


class HtmlParser(object):
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        links = soup.find_all('a', href=re.compile(r"/item/"))#搜尋所有滿足條件的url
        # 網址有變，表示式做了調整
        for link in links:
            new_url = link['href']
            new_full_url = urllib.parse.urljoin(page_url, new_url)
            # Py3中用到的模組名稱變為urllib.parse
            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>
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        #print(title_node.get_text())
        res_data['title'] = title_node.get_text()#搜取滿足條件的標題

        # <div class="lemma-summary" label-module="lemmaSummary">
        summary_node = soup.find('div', class_='lemma-summary')
        if summary_node is None:
            return
        res_data['summary'] = summary_node.get_text()#搜取滿足條件的資訊

        return res_data

    def parse(self, page_url, html_cont):#對於下載的頁面進行解析
        if page_url is None or html_cont is None:
            return

        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')#先用python自帶庫進行解析。
        #print(soup.get_text())
    #提取有用的資訊
        new_urls = self._get_new_urls(page_url, soup)#提取新的url
        new_data = self._get_new_data(page_url, soup)#提取有價值的資訊
        return new_urls, new_data

四：輸出文件：

#html_outputer.py#
class HtmlOutputer(object):
    def __init__(self):
        self.datas = []

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

    def output_html(self):
        fout = open('output.html', 'w', encoding='utf-8')
        fout.write("<html>")
        fout.write("<body>")
        fout.write("<a>")

        for data in self.datas:
            # 遮蔽掉原來的，重新寫一個更美觀的輸出效果
            # fout.write("<tr>")
            # fout.write("<td>%s</td>" % data['url'])
            # fout.write("<td>%s</td>" % data['title'])
            # fout.write("<td>%s</td>" % data['summary'])
            # fout.write("</tr>")
            fout.write('<a href="%s">%s</a>' % (data['url'], data['title']))
            fout.write('<p>%s</p>' % data['summary'])

        fout.write("</a>")
        fout.write("</body>")
        fout.write("</html>")

        fout.close()