链接爬虫实战

import re
import urllib.request


def getlink(url):
    # 模拟成浏览器
    headers = ("User-Agent",
               "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36")

    opener = urllib.request.build_opener()
    opener.addheaders = [headers]

    # opener 为全局安装
    urllib.request.install_opener(opener)
    file = urllib.request.urlopen(url)

    date = str(file.read())

    # 根据要求构建好链接的表达式
    pattern = '(https?://[^\s)";]+\.(\w|/)*)'
    link = re.compile(pattern).findall(date)
    # 去除重复元素
    link = list(set(link))
    return link


# 要爬取的网页链接
url = "http://blog.csdn.net/"

# 获取对应网页中包含的链接地址

linklist = getlink(url)
for link in linklist:
    print(link[0], '\t', link[1])
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值