转载:以下是原文链接
版权声明:本文为博主原创文章,遵循
CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
以下是我基于参考原文基础上的修改
原文本身的代码可能因为时间久的缘故,运行原代码时会报错,无法获取到最终的url地址,加入try,except的使用后可以一定程度解决这个问题,下面是对Spider()修改后的代码:
class Spider():
def __init__(self, url):
self.linkQuence = linkQuence() # 将队列引入本类
self.linkQuence.addunvisitedurl(url) # 传入待爬取的url,即爬虫入口
def crawler(self,urlcount):
# 子页面过多,为测试方便加入循环控制子页面数量
x = 1
while x <= urlcount:
# 若子页面不是很多,可以直接使用队列中的未访问列表非空作为循环条件
# while not self.linkQuence.unvisitedurlsempty():
if x > 1:
print("第",x-1,"个url,开始爬")
try:
visitedurl = self.linkQuence.unvisitedurldequence() # 从未访问列表中pop出一个url
if visitedurl is None or visitedurl == '':
continue
initial_links = spiderpage(visitedurl) # 爬出该url页面中所有的链接
#right_links = url_filtrate(initial_links) # 筛选出合格的链接
self.linkQuence.addvisitedurl(visitedurl) # 将该url放到访问过的url队列中
for link in initial_links: # 将筛选出的链接放到未访问队列中
# link = urllib.parse.urljoin("http:", link)
self.linkQuence.addunvisitedurl(link)
x += 1
except:
pass
print("终于爬完了,一共是",x-2,"个url")
return self.linkQuence.visited