爬取网站所有的URL-转

爬取网站所有的URL
原创 2015年08月24日 16:02:11 14683

运行python脚本，最终程序目录下会是这样：

result.txt中保存所有的URL

文件夹sh.neusoft.com中保存爬虫得到的所有网页

main.py的源代码如下

[python] view plain copy

-- coding: utf-8 -

import os
import re
import shutil

REJECT_FILETYPE = ‘rar,7z,css,js,jpg,jpeg,gif,bmp,png,swf,exe’#定义爬虫过程中不下载的文件类型

def getinfo(webaddress):
global REJECT_FILETYPE

url = 'http://'+webaddress+'/'#通过用户输入的网址连接上网络协议，得到URL。  
print 'Getting>>>>> '+url#打印提示信息，表示正在抓取网站  
websitefilepath = os.path.abspath('.')+'/'+webaddress#通过函数os.path.abspath得到当前程序所在的绝对路径，然后搭配用户所输入的网址得到用于存储下载网页的文件夹  
if os.path.exists(websitefilepath):#如果此文件夹已经存在就将其删除，原因是如果它存在，那么爬虫将不成功  
    shutil.rmtree(websitefilepath)#shutil.rmtree函数用于删除文件夹（其中含有文件）  
outputfilepath = os.path.abspath('.')+'/'+'output.txt'#在当前文件夹下创建一个过渡性质的文件output.txt  
fobj = open(outputfilepath,'w+')  
command = 'wget -r -m -nv --reject='+REJECT_FILETYPE+' -o '+outputfilepath+' '+url#利用wget命令爬取网站  
tmp0 = os.popen(command).readlines()#函数os.popen执行命令并且将运行结果存储在变量tmp0中  
print >> fobj,tmp0#写入output.txt中  
allinfo = fobj.read()  
target_url = re.compile(r'\".*?\"',re.DOTALL).findall(allinfo)#通过正则表达式筛选出得到的网址  
target_num = len(target_url)  
fobj1 = open('result.txt','w')#在本目录下创建一个result.txt文件，里面存储最终得到的内容  
for i in range(target_num):  
    print >> fobj1,target_url[i][1:-1]  
fobj.close()  
fobj1.close()  
if os.path.exists(outputfilepath):#将过渡文件output.txt删除  
    os.remove(outputfilepath)#os.remove用于删除文件  

if name==”main“:
webaddress = raw_input(“Input the Website Address(without \”http:\”)>”)
getinfo(webaddress)
print “Well Done.”#代码执行完毕之后打印此提示信息