爬虫节点相对简单，主要包含HTML下载器、HTML解析器和爬虫调度器。执行流程如下：

　　爬虫调度器从控制节点中的url_q队列读取URL

　　爬虫调度器调用HTML下载器、HTML解析器获取网页中新的URL和标题摘要

　　最后爬虫调度器将新的URL和标题摘要传入result_q队列交给控制节点

　　HTML下载器

　　#coding:utf-8

　　import requests

　　class HtmlDownloader(object):

　　def download(self,url):

　　if url is None:

　　return None

　　user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'

　　headers={'User-Agent':user_agent}

　　r = requests.get(url,headers=headers)

　　if r.status_code==200:

　　r.encoding='utf-8'

　　return r.text

　　return None

　　HTML解析器

　　#coding:utf-8

　　import re

　　import urlparse

　　from bs4 import BeautifulSoup

　　class HtmlParser(object):

　　def parser(self,page_url,html_cont):

　　'''

　　用于解析网页内容抽取URL和数据

　　:param page_url: 下载页面的URL

　　:param html_cont: 下载的网页内容

　　:return:返回URL和数据

　　'''

　　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

　　def _get_new_urls(self,page_url,soup):

　　'''

　　抽取新的URL集合

　　:param page_url: 下载页面的URL

　　:param soup:soup

　　:return: 返回新的URL集合

　　'''

　　new_urls = set()

　　#抽取符合要求的a标签

　　links = soup.find_all('a',href=re.compile(r'/view/\d+\.htm'))

　　for link in links:

　　#提取href属性

　　new_url = link['href']

　　#拼接成完整网址

　　new_full_url = urlparse.urljoin(page_url,new_url)

　　new_urls.add(new_full_url)

　　return new_urls

　　def _get_new_data(self,page_url,soup):

　　'''

　　抽取有效数据

　　:param page_url:下载页面的URL

　　:param soup:

　　:return:返回有效数据

　　'''

　　data={}

　　data['url']=page_url

　　title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')

　　data['title']=title.get_text()

　　summary = soup.find('div',class_='lemma-summary')

　　#获取tag中包含的所有文版内容包括子孙tag中的内容,并将结果作为Unicode字符串返回

　　data['summary']=summary.get_text()

　　return data

　　爬虫调度器

　　class SpiderWork(object):

　　def __init__(self):

　　#初始化分布式进程中的工作节点的连接工作

　　# 实现第 一步：使用BaseManager注册获取Queue的方法名称

　　BaseManager.register('get_task_queue')

　　BaseManager.register('get_result_queue')

　　# 实现第二步：连接到服务器:

　　server_addr = '127.0.0.1'

　　print('Connect to server %s...' % server_addr)

　　# 端口和验证口令注意保持与服务进程设置的完全一致:

　　self.m = BaseManager(address=(server_addr, 8001), authkey='baike')

　　# 从网络连接:

　　self.m.connect()

　　# 实现第三步：获取Queue的对象:

　　self.task = self.m.get_task_queue()

　　self.result = self.m.get_result_queue()

　　#初始化网页下载器和解析器

　　self.downloader = HtmlDownloader()

　　self.parser = HtmlParser()

　　print 'init finish'

　　def crawl(self):

　　while(True):

　　try:

　　if not self.task.empty():

　　url = self.task.get()

　　if url =='end':

　　print '控制节点通知爬虫节点停止工作...'

　　#接着通知其它节点停止工作

　　self.result.put({'new_urls':'end','data':'end'})

　　return

　　print '爬虫节点正在解析:%s'%url.encode('utf-8')

　　content = self.downloader.download(url)

　　new_urls,data = self.parser.parser(url,content)

　　self.result.put({"new_urls":new_urls,"data":data})

　　except EOFError,e:

　　print "连接工作节点失败"

　　return

　　except Exception,e:

　　print e

　　print 'Crawl fali '

　　if __name__=="__main__":

　　spider = SpiderWork()

　　spider.crawl()

　　需要着重说明的是，爬虫节点是分布式爬虫里的一个重要的难点，大家在学习的时候可以多下一些功夫。