设为首页 收藏本站
查看: 372|回复: 0

[经验分享] 简单的crawler,python

[复制链接]

尚未签到

发表于 2017-4-29 09:26:48 | 显示全部楼层 |阅读模式
  以下是十分简单的python写的爬虫小脚本。
  


import os,re
import urlparse,urllib,urllib2
import hashlib,Queue
class Request(object):
def __init__(self):
self.url= ''
self.error_url = []
self.undownload_url = []
self.downloaded_url = []
self.headers={'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6)  \
Gecko/20091201 Firefox/3.5.6',
'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
}
def read_url_from_file(self):
urls = []
try:
r = open('urls.txt','r')
urls = r.readlines()
r.close()
except IOError:
url = raw_input("no file urls.txt,please input a url >>> ")
if not url.lower().startswith('http://'):
url = 'http://'+url
urls.append(url)
return urls

def is_download_url(self):
return self.url in self.downloaded_url
def get(self):
ok = False
req = urllib2.Request(self.url,None,self.headers)
for i in range(3):
temp = urllib2.urlopen(req)
if temp.getcode()==200:
if 'content-type' in temp.headers.keys():
content_type = temp.headers.get('content-type')
if 'text' in content_type:
return temp.read()
else:
return temp.read()
return ''
def find_links(self):
com = re.compile(r"""<a[^>]*?href\s*=\s*['"]?([^'"\s>]{1,500})['">\s]""",re.I|re.M|re.S)
links = com.findall(self.content)
links = set(links)
links = list(links)
full_links = [urlparse.urljoin(self.url,x) for x in links]
for i in full_links:
if i not in self.undownload_url and i not in self.downloaded_url:
self.undownload_url.append(i)
def save_page(self,page_source,filename):
dirname = filename.split('/')[0]
if not os.path.isdir(dirname):
os.mkdir(dirname)
w = open(filename,'w')
w.write(page_source)
w.close()
def save_result(self,urls,filename):
w = open(filename,'w')
w.write('\n'.join(urls))
w.close()
def run(self):
self.page = 0
self.ldir = 0
self.num_per_dir = 100
self.undownload_url = self.read_url_from_file()
self.url_to_path = {}
try:
while self.undownload_url:
self.url = self.undownload_url.pop(0)
self.url = self.url.replace('\n','')
order = self.page+self.ldir*self.num_per_dir
print (" %4d download... %s " % (order,self.url) )
self.content = self.get()
self.downloaded_url.append(self.url)
if self.content:
self.find_links()
filename = str(self.ldir)+'/'+str(self.page)
self.save_page(self.content,filename)
self.url_to_path[str(order)] = self.url
self.page += 1
if self.page >= self.num_per_dir:
self.page -= self.num_per_dir
self.ldir += 1
else:
self.error_url.append(self.url)
print ("finished !")     
except:
print ("save downloaded urls into downloaded file")
self.save_result(self.downloaded_url,'downloaded')
print ("save error urls into error file")
self.save_result(self.undownload_url,'undownload')
print ("save url to file dictonary into url_to_file")
self.save_result([x+'\t'+self.url_to_path[x] for x in self.url_to_path.keys()],'url_to_file')
print ("total try to download %d urls" % order)
aa = Request()
aa.run()
 

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-370632-1-1.html 上篇帖子: Python HTTP文件上传 下篇帖子: Python常用模块资料
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表