人生不得已——Python爬虫 深度爬取

网页的获取不一定都是有数据的,我们可定义在每个页面中需要爬取的深度
import urllib.request
import urllib.parse
import urllib.robotparser
import re


import urllib.parse
import time
import datetime
import re
import urllib.request


class Throttle:

    def __init__(self, delay):
        # 访问同域名时需要的间隔时间
        self.delay = delay
        # key:netloc,value:lastTime.记录每个域名的上一次访问的时间戳
        self.domains = {}

    # 计算需要的等待时间,并执行等待
    def wait(self, url):
        if self.delay <= 0:
            print('delay ='+self.delay)
            return

        domain = urllib.parse.urlparse(url).netloc
        lastTime = self.domains.get(domain)

        if lastTime is not None:
            # 计算等待时间
            wait_sec = self.delay - (datetime.datetime.now() - lastTime).seconds
            if wait_sec > 0:
                time.sleep(wait_sec)

        self.domains[domain] = datetime.datetime.now()


def download(url, headers={}, retryCount=5):
    """
    下载函数
    :param url: 下载的链接
    :param headers: 伪造头
    :param retryCount: 在遇到服务器错误时重复的次数
    :return: 返回页面数据
    """
    print('download to '+ url)
    request =urllib.request.Request(url)

    try:
        response = urllib.request.urlopen(request)
    except urllib.request.URLError as e:
        if hasattr(e, 'code') and 500 <= e.code < 600:
            return download(url, headers, retryCount-1)
        return None
    return response.read()


def get_link(html):
    """
    利用正则获取页面中的所有链接
    :param html: 网页页面数据
    :return: 返回链接
    """
    # webpage_regex = re.compile('<a href="(.*?)">', re.IGNORECASE)
    webpage_regex = re.compile('<a[^>]+href=["\'](.*?)["\']', re.IGNORECASE)
    return webpage_regex.findall(html)


def link_spider(start_link, crawl_link, maxDepth=10):
    """
    链接爬虫
    :param start_link: 开始链接
    :param crawl_link: 需要匹配的链接数据
    :return:
    """
    # 等待下载的链接
    wait_download_link = set([start_link])
    rp = urllib.robotparser.RobotFileParser()
    rp.set_url(start_link)
    # 解析链接
    urlObj = urllib.parse.urlparse(start_link)
    # 过滤掉重复的连接
    downloaded_link = {}
    t = Throttle(0.5)
    # 循环下载链接
    while wait_download_link:
        # 从连接列表中取出一个链接
        url = wait_download_link.pop()
        t.wait(url)
        # 下载链接的页面内容
        html = download(url)
        if html is None:
            continue
        # 获取当前页面的深度
        depth = downloaded_link.get(url)
        if depth == None:
            downloaded_link[url] = 1
            depth = 1
        if depth > maxDepth:
            print('max depth')
            continue
        # 得到页面中的所有链接
        all_link = get_link(html.decode(errors='ignore'))
        for link in all_link:
            if re.match(crawl_link, link):
                realLink = urlObj.scheme + '://' + urlObj.netloc + link
                # print(realLink)
                if realLink not in downloaded_link:
                    wait_download_link.add(realLink)
                    downloaded_link[realLink] = depth + 1


link_spider('http://xxx/', '/xxx/', 2)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 158,847评论 4 362
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,208评论 1 292
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 108,587评论 0 243
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 43,942评论 0 205
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,332评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,587评论 1 218
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,853评论 2 312
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,568评论 0 198
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,273评论 1 242
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,542评论 2 246
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,033评论 1 260
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,373评论 2 253
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,031评论 3 236
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,073评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,830评论 0 195
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,628评论 2 274
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,537评论 2 269

推荐阅读更多精彩内容