Python爬虫学习(二)

第一步,读取单页面:

import urllib.request
  
url = "http://www.badtom.cn"
data = urllib.request.urlopen(url).read()
data = data.decode('UTF-8')
print(data)

第二步,对前篇单机版伪代码的简单实现:

from collections import deque
import re
import urllib.request
 
queue = deque()
visited = set()
 
init_url = "http://www.badtom.cn"
queue.append(init_url)
visited.add(init_url)
 
count = 0
 
while queue:
    url = queue.popleft()
    print('已经抓取:' + str(count) + '个,正在抓取-->' + url)
    count += 1
     
    try:
        urlop = urllib.request.urlopen(url,timeout = 2)
        data = urlop.read().decode('utf-8')
#         print(data)
    except:
        continue
     
    linkre = re.compile('href="(.+?)"')
    linkdata = linkre.findall(data)
    for next_url in linkdata:
        if 'http' in next_url and next_url not in visited:
            queue.append(next_url)
            visited.add(next_url)

第三步,伪装成火狐浏览器,并将爬取的页面存到磁盘上:

from collections import deque
import re
import urllib.request
 
#存储爬到的网页
def saveToFile(filePath,data):
    with open(filePath,'w',encoding='utf-8') as fileop:
        fileop.write(data)
 
queue = deque()
visited = set()
 
init_url = "http://www.badtom.cn"
queue.append(init_url)
visited.add(init_url)
#通过头信息伪装成火狐浏览器
headinfo = {
    'Connection': 'Keep-Alive',
    'Accept': 'text/html, application/xhtml+xml, */*',
    'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'
}
 
filePath = 'E:/spider/'
count = 0
 
while queue:
    url = queue.popleft()
    print('已经抓取:' + str(count) + '个,正在抓取-->' + url)
    count += 1
     
    try:
        req = urllib.request.Request(url,headers = headinfo)
        urlop = urllib.request.urlopen(req,timeout = 2)
        data = urlop.read().decode('utf-8')
        saveToFile(filePath + str(count) + '.html', data)
    except:
        continue
     
    linkre = re.compile('href="(.+?)"')
    linkdata = linkre.findall(data)
    for next_url in linkdata:
        if 'http' in next_url and 'github' not in next_url and next_url not in visited:
            queue.append(next_url)
            visited.add(next_url)

  • 0
    点赞
  • 0
    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