爬虫入门三(获取各国网址,三种网页抓取方法,下载缓存)

本文介绍了Python爬虫的基础知识,包括如何获取各国网址,使用robots.txt进行权限判定,以及三种数据抓取方法:正则表达式、Beautiful Soup和lxml。此外,探讨了下载缓存的实现,如字典缓存、磁盘缓存和MongoDB数据库缓存,强调了MongoDB在非关系型数据库中的优势及其基本用法。
摘要由CSDN通过智能技术生成

对《用Python写网络爬虫》进行了总结归纳。

1.爬相关地址

#coding=utf-8
import robotparser
import  urlparse
import urllib2
import urllib
import  re
import  datetime
import  time
import Queue
#初始化robotparser
def get_robots(url):
    rp=robotparser.RobotFileParser()
    rp.set_url(urlparse.urljoin(url,'/robots.txt'))
    rp.read()
    return rp

def download(url, headers, proxy, num_retries, data=None):
    print 'Downloading:', url
    request = urllib2.Request(url, data, headers)
    opener = urllib2.build_opener()
    if proxy:
        proxy_params = {urlparse.urlparse(url).scheme: proxy}
        opener.add_handler(urllib2.ProxyHandler(proxy_params))
    try:
        response = opener.open(request)
        html = response.read()
        code = response.code
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = ''
        if hasattr(e, 'code'):
            code = e.code
            if num_retries > 0 and 500 <= code < 600:

                return download(url, headers, proxy, num_retries-1, data)
        else:
            code = None
    return html

def same_domain(u1,u2):
    return urlparse.urlparse(u1).netloc == urlparse.urlparse(u2).netloc
#下载限速:
class Throttle:
    def __init__(self,delay):
        self.delay=delay
        self.domains={}
    def wait(self,url):
        domain=urlparse.urlparse(url).netloc#服务器位置
        last_accessed=self.domains.get(domain)
        if self.delay>0 and last_accessed is not None:
            sleep_secs=self.delay -(datetime.datetime.now()-last_accessed)
            if sleep_secs>0:
              
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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