- #FileName: toolbox_insight.py
- from sgmllib import SGMLParser
- import threading
- import time
- import urllib2
- import StringIO
- import gzip
- import string
- import os
- #rewrite SGMLParser for start_a
- class Basegeturls(SGMLParser): #这个Basegeturls类作用是分析下载的网页,把网页中的所有链接放在self.url中。
- def reset(self):
- self.url = []
- SGMLParser.reset(self)
- def start_a(self, attrs):
- href = [v for k, v in attrs if k == 'href']
- if href:
- self.url.extend(href)
- #for quickly finding
- class Newlist(list):#这个类其实是一个添加了find方法的LIST。当num变量在LIST中,返回True,当不在LIST中,返回False并把num按二分法插入LIST中
- def find(self, num):
- l = len(self)
- first = 0
- end = l - 1
- mid = 0
- if l == 0:
- self.insert(0,num)
- return False
- while first < end:
- mid = (first + end)/2
- if num > self[mid]:
- first = mid + 1
- elif num < self[mid]:
- end = mid - 1
- else:
- break
- if first == end:
- if self[first] > num:
- self.insert(first, num)
- return False
- elif self[first] < num:
- self.insert(first + 1, num)
- return False
- else:
- return True
- elif first > end:
- self.insert(first, num)
- return False
- else:
- return True
- #下面的reptile顾名思义是一个爬虫
- class reptile(threading.Thread):
- #Name: 是爬虫是名字,queue是任务队列,所有的爬虫共用同一个任务队列
- #从中取出一个任务项进行运行,每个任务项是一个要下载网页的URL
- #result: 也是一个队列,将下载的网页中包含的URL放入该队列中
- #inittime: 在本程序中没有用,只是一个为了以后扩展用的
- #downloadway:是下载的网页存放的路径
- #configfile: 是配置文件,存放网页的URL和下载下后的路径
- #maxnum: 每个爬虫有个最大下载量,当下载了这么多网页后,爬虫dead
- def __init__(self, Name, queue, result, Flcok, inittime = 0.00001, downloadway = 'D:\\bbs\\',configfile = 'D:\\bbs\\conf.txt', maxnum = 10000):
- threading.Thread.__init__(self, name = Name)
- self.queue = queue
- self.result = result
- self.Flcok = Flcok
- self.inittime = inittime
- self.mainway = downloadway
- self.configfile = configfile
- self.num = 0 #已下载的网页个数
- self.maxnum = maxnum
- os.makedirs(downloadway + self.getName()) #系统调用:在存放网页的文件夹中创建一个以该爬虫name为名字的文件夹
- self.way = downloadway + self.getName() + '\\'
- def run(self):
- opener = urllib2.build_opener() #创建一个开启器
- while True:
- url = self.queue.get() #从队列中取一个URL
- if url == None: #当取得一个None后表示爬虫结束工作,用于外部方便控制爬虫的生命期
- break
- parser = Basegeturls() #创建一个网页分析器
- request = urllib2.Request(url) #网页请求
- request.add_header('Accept-encoding', 'gzip')#下载的方式是gzip压缩后的网页,gzip是大多数服务器支持的一种格式
- try: #这样可以减轻网络压力
- page = opener.open(request)#发送请求报文
- if page.code == 200: #当请求成功
- predata = page.read() #下载gzip格式的网页
- pdata = StringIO.StringIO(predata)#下面6行是实现解压缩
- gzipper = gzip.GzipFile(fileobj = pdata)
- try:
- data = gzipper.read()
- except(IOError):
- print 'unused gzip'
- data = predata#当有的服务器不支持gzip格式,那么下载的就是网页本身
- try:
- parser.feed(data)#分析网页
- except:
- print 'I am here'#有的网页分析不了,如整个网页就是一个图片
- for item in parser.url:
- self.result.put(item)#分析后的URL放入队列中
- way = self.way + str(self.num) + '.html'#下面的是网页的保存,不多说了
- self.num += 1
- file = open(way, 'w')
- file.write(data)
- file.close()
- self.Flcok.acquire()
- confile = open(self.configfile, 'a')
- confile.write( way + ' ' + url + '\n')
- confile.close()
- self.Flcok.release()
- page.close()
- if self.num >= self.maxnum:#达到最大量后退出
- break
- except:
- print 'end error'
- #和爬虫一样是个线程类,作用是将爬虫中的result中存入的URL加以处理。只要同一个服务器的网页
- class proinsight(threading.Thread):
- def __init__(self, queue, list, homepage, inqueue):
- threading.Thread.__init__(self)
- self.queue = queue#和爬虫中的result队列是同一个
- self.list = list#是上面Newlist的对象
- self.homepage = homepage#主页
- self.inqueue = inqueue#处理完后的URL的去处
- def run(self):
- length = len(self.homepage)
- while True:
- item = self.queue.get()
- if item == None:
- break
- if item[0:4] == '\r\n':
- item = item[4:]
- if item[-1] == '/':
- item = item[:-1]
- if len(item) >= len('http://') and item[0:7] == 'http://':
- if len(item) >= length and item[0:length] == self.homepage:
- if self.list.find(item) == False:
- self.inqueue.put(item)
- elif item[0:5] == '/java' or item[0:4] == 'java':
- pass
- else:
- if item[0] != '/':
- item = '/' + item
- item = self.homepage + item
- if self.list.find(item) == False:
- self.inqueue.put(item)
- 下面的是一个主函数过程
- 我下载的网站是http://bbs.hit.edu.cn
- 开始网页是http://bbs.hit.edu.cn/mainpage.php
- #FileName:test
- from toolbox_insight import *
- from Queue import Queue
- import threading
- import sys
- num = int(raw_input('Enter the number of thread:'))
- pnum = int(raw_input('Enter the number of download pages:'))
- mainpage = str(raw_input('The mainpage:'))
- startpage = str(raw_input('Start page:'))
- queue = Queue()
- key = Queue()
- inqueue = Queue()
- list = Newlist()
- thlist = []
- Flock = threading.RLock()
- for i in range(num):
- th = reptile('th' + str(i), queue, key, Flock)
- thlist.append(th)
- pro = proinsight(key, list, mainpage, inqueue)
- pro.start()
- for i in thlist:
- i.start()
- queue.put(startpage)
- for i in range(pnum):
- queue.put(inqueue.get())
- for i in range(num):
- queue.put(None)
python spider code
最新推荐文章于 2024-04-16 10:13:12 发布