xxqyzsc 发表于 2017-5-4 13:09:20

python爬取邮箱的实例代码

不用编码也是可以匹配邮箱的。
下面是一个用队列实现,广度优先的简单爬虫代码。先就这样吧,目测暂时不会再理它了,以后有时间再修改。
1 # -*- coding: cp936 -*-
2import urllib2
3import re
4from pyquery import PyQuery as pq
5from lxml import etree
6   
7#mailpattern = re.compile('[^\._:>\\-][\w\.-]+@(?:+\.)++')
8mailpattern = re.compile('+@(?:+\.)++')
9
10htmlcount = 0#to count the urls
11maxcount = 3000 # the max count
12allUrls = set()
13allMails = set()
14UrlsQlist = []
15UrlsQdict = {}
16url = "http://www.163.com"
17fmails = open("E:/py/crawler/mailresult.txt","a")
18furls = open("E:/py/crawler/urlresult.txt","a")
19
20
21   
22   
23def geturls(data):#the function to get the urls in the html
24      urls = set()
25      if data:
26          d = pq(data)
27          label_a = d.find('a')#用pyquery库去找到 a 标签.
28          if label_a:
29            label_a_href = d('a').map(lambda i,e:pq(e)('a').attr('href'))
30            for u in label_a_href:
31                  if u!="javascript" :
32                      if u == "http":
33                        urls.add(u)
34                      else:
35                        urls.add(url + u)            
36            #for u in urls:
37                  #print u
38          return urls
39      else:
40          return None
41         
42def gethtml(url):
43      try:
44          fp = urllib2.urlopen(url)
45      except:
46          print "urllib2.urlopen error"
47          return None
48      else:
49          mybytes =fp.read()
50          fp.close()
51          return mybytes
52      
53def savemails(data): # the function to save the emails
54      if data:
55          mailResult = mailpattern.findall(data)
56          mailResultset = set(mailResult)
57          if mailResultset:
58            allMails.update(mailResultset)
59         
60def savehtml(pagecontent,count):
61      if pagecontent != None:
62          f = open("E:/py/crawler/html/"+str(count)+".html","w")
63          f.write(pagecontent)
64          f.close()
65      else:
66          f = open("E:/py/crawler/html/"+str(count)+"error"+".html","w")
67          f.write("this page empty")
68          f.close()
69         
70def BFS(firstUrl):
71      global htmlcount
72      global maxcount
73      allUrls.add(firstUrl)
74      UrlsQlist = list(allUrls)
75      while htmlcount < maxcount : #数量小于最大值
76          tempUrl = UrlsQlist.pop(0)# the queue
77          myWebStr = gethtml(tempUrl)
78          savehtml(myWebStr,htmlcount)
79          savemails(myWebStr)
80          firstUrls_set = geturls(myWebStr)#初始页面的处理
81          if firstUrls_set != None:
82            allUrls.update(firstUrls_set) #记录全部 url
83            for u in firstUrls_set:
84                  if u not in UrlsQlist:
85                      UrlsQlist.append(u)      
86          htmlcount = htmlcount + 1
87         
88         
89BFS(url)
90for u in allMails:
91      try:
92          fmails.write(u)
93          fmails.write('\n')
94      except:
95          continue
96for u in allUrls:
97      try:
98          furls.write(u)
99          furls.write('\n')
100      except:
101          continue
102fmails.close()
103furls.close()

2013.5.13 update
本来想在加个多线程。。。。结果看了 好多资料 无处下手,再研究研究 ,日后再改
加了点 url规范化。代码整理如下:
1 import urllib2
2 import re
3 from pyquery import PyQuery as pq
4 from lxml import etree
5 import urlparse
6 import time
7
8 allUrls = set()
9 allMails = set()
10 urlsDownlist = []
11
12 class mailCrawler:
13   def __init__(self,mailExpression,start_url,maxcount):   
14         ''' mailExpressoin 邮箱的正则表达式;
15         start_url开始邮箱;
16         maxcount最大数量'''
17         self.mailpattern = re.compile(mailExpression)
18         self.maxcount = maxcount
19         self.htmlcount = 0
20         self.UrlsQlist = []#url queue 实现广度优先
21         self.url = start_url
22
23   
24   def url_normal(self,url):
25         '''url 规范化 '''
26         scheme,netloc,path,query = urlparse.urlsplit(url)[:4]
27         netloc = netloc.lower()
28
29         url.encode("utf-8")
30
31         if path:
32             path = re.sub('/{2,}','/',path)#去除url中的重复/
33             path = re.sub(r'\.$','',path)#去除url中结尾多余的点
34             path = re.sub('/$','',path)#去除url中结尾多余的/
35             path = re.sub('\s','',path)#取出url中的空格
36         if query:
37             return '%s://%s%s?%s' % (scheme,netloc,path or '/',query)
38         else:
39             return '%s://%s%s' % (scheme,netloc,path)
40
41   def geturls(self,data):
42         '''解析html中的url'''
43         urls = set()
44         if data:
45             d = pq(data)
46             label_a = d.find('a')#用pyquery库去找到 a 标签.
47             if label_a:
48               label_a_href = d('a').map(lambda i,e:pq(e)('a').attr('href'))
49               for u in label_a_href:
50                     if u!="javascript" and u!="mailto" :
51                         if u == "http":
52                           normal_url = self.url_normal(u)
53                           urls.add(normal_url)
54                         else:
55                           normal_url = self.url_normal(self.url + u)
56                           urls.add(normal_url)            
57             return urls
58         else:
59             return None
60         
61   def gethtml(self,url):
62         '''下载html5s超时'''
63         try:
64             fp = urllib2.urlopen(url,None,5)
65         except:
66             print "urllib2.urlopen erroror timeout"
67             return None
68         else:
69             mybytes =fp.read()
70             fp.close()
71             return mybytes
72         
73   def savemails(self,data):
74         '''将抓取到的url存放到 allmails中 ,set去重复'''
75         global allMails
76         if data:
77             mailResult = self.mailpattern.findall(data)
78             mailResultset = set(mailResult)
79             if mailResultset:
80               allMails.update(mailResultset)
81            
82   def savehtml(self,pagecontent,htmlcount,url):
83         '''保存html文件 '''
84         if pagecontent != None:
85             f = open("E:/py/crawler/html/"+str(htmlcount)+".html","w")
86             f.write(pagecontent)
87             f.close()
88         else:
89             f = open("E:/py/crawler/html/"+str(htmlcount)+"error"+".html","w")
90             try:
91               f.write(url)
92             except:
93               f.write("encode error")
94             f.close()
95            
96   def BFS(self):
97         '''用队列实现广度优先,爬取url '''
98         global allUrls
99         global urlsDownlist
100         allUrls.add(self.url)
101         self.UrlsQlist = list(allUrls)
102         while self.htmlcount < self.maxcount : #数量小于最大值
103             tempUrl = self.UrlsQlist.pop(0)# the queue
104             print tempUrl
105             urlsDownlist.append(tempUrl)
106             myWebStr = self.gethtml(tempUrl)
107             self.savehtml(myWebStr,self.htmlcount,tempUrl)
108             self.savemails(myWebStr)
109             firstUrls_set = self.geturls(myWebStr)#初始页面的处理
110             if firstUrls_set != None:
111               for u in firstUrls_set:
112                     if u not in allUrls:
113                         allUrls.add(u)
114                         self.UrlsQlist.append(u)      
115             self.htmlcount = self.htmlcount + 1
116            
117
118 def main():
119   reg = r'+@(?:+\.)++'
120   url = "http://www.baidu.com"
121   count = 100
122   fmails = open("E:/py/crawler/mailresult.txt","a")
123   furls = open("E:/py/crawler/urlresult.txt","a")
124   fdownUrls = open("E:/py/crawler/urlDownresult.txt","a")
125   newcrawler = mailCrawler(reg,url,count)
126   newcrawler.BFS()
127   for u in allMails:
128         try:
129             fmails.write(u)
130             fmails.write('\n')
131         except:
132             continue
133   for u in allUrls:
134         try:
135             furls.write(u)
136             furls.write('\n')
137         except:
138             continue
139   for u in urlsDownlist:
140         try:
141             fdownUrls.write(u)
142             fdownUrls.write('\n')
143         except:
144             continue
145   fmails.close()
146   furls.close()
147   fdownUrls.close()
148
149 if __name__ == '__main__':
150   main()
页: [1]
查看完整版本: python爬取邮箱的实例代码