目前,我们的爬虫会跟踪所有之前没有访问过的链接。但是,一些网站会动态生成页面内容,这样就会出现无限多的网页。比如,网站有一个在线日历功能,提供了可以访问下个月和下一年的链接,那么下个月的页面中同样会包含访问再下个月的链接,这样页面就会无止境地链接下去,这种情况被称为爬虫陷阱。
想要避免陷入爬虫陷阱,一个简单的方法是记录到达当前网页经过了多少个链接,也就是深度。当到达最大深度时, 爬虫就不再向队列中添加该网页中的链接了。要实现这一功能, 我们需要修改seen变量。该变量原先只记录访问过的网页链接,现在修改为一个字典,增加了页面深度的记录。
import urllib.request import urllib.error import re #正则表达式 import urllib.parse #将url链接从相对路径(浏览器可懂但python不懂)转为绝对路径(python也懂了) import urllib.robotparser #爬取数据前解析网站robots.txt文件,避免爬取网站所禁止或限制的 import datetime #下载限速功能所需模块 def download(url, user_agent = "brain", proxy = None, num_retries = 2): #下载url网页,proxy是支持代理功能,初始值为None,想要设置就直接传参数即可 print("downloading:",url) header = {"user-agent": user_agent} #设置用户代理,而不使用python默认的用户代理Python-urllib/3.6 req = urllib.request.Request(url, headers = header) opener = urllib.request.build_opener() #为支持代理功能时刻准备着 if proxy: #如果设置了proxy,那么就进行以下设置以实现支持代理功能 proxy_params = { urllib.parse.urlparse(url).scheme: proxy } opener.add_handler(urllib.request.ProxyHandler(proxy_params)) response = opener.open(req) try: html = urllib.request.urlopen(req).read() except urllib.error.URLError as e: #下载过程中出现问题 print("download error:",e.reason) html = None if num_retries > 0: #错误4XX发生在请求存在问题,而5XX错误则发生在服务端存在问题,所以在发生5XX错误时重试下载 if hasattr(e, "code") and 500<= e.code <600: return download(url, user_agent, num_retries-1) # recursively retry 5XX HTTP errors return html
#跟踪链接的爬虫 #link_crawler()函数传入两个参数:要爬取的网站URL、用于跟踪链接的正则表达式。 def link_crawler(seed_url, link_regex, max_depth=2): """先下载 seed_url 网页的源代码,然后提取出里面所有的链接URL,接着对所有匹配到的链接URL与link_regex 进行匹配, 如果链接URL里面有link_regex内容,就将这个链接URL放入到队列中, 下一次 执行 while crawl_queue: 就对这个链接URL 进行同样的操作。 反反复复,直到 crawl_queue 队列为空,才退出函数。""" crawl_queue = [seed_url] max_depth = 2 #为避免爬虫陷阱,将用于避免重复链接的seen记录值修改为字典,增加记录访问次数;如果想要禁用该功能,只需将max_depth设为一个负数即可,此时当前深度永远不会与之相等 seen = {seed_url:0} #初始化seed_url访问深度为0 #seen = set(crawl_queue) #有可能链接中互相重复指向,为避免爬取相同的链接,所以我们需要记录哪些链接已经被爬取过(放在集合seen中),若已被爬取过,不再爬取 while crawl_queue: url = crawl_queue.pop() rp = urllib.robotparser.RobotFileParser() #爬取前解析网站robots.txt,检查是否可以爬取网站,避免爬取网站禁止或限制的 rp.set_url("http://example.webscraping.com/robots.txt") rp.read() user_agent = "brain" if rp.can_fetch(user_agent, url): #解析后发现如果可以正常爬取网站,则继续执行 #爬取网站的下载限速功能的类的调用,每次在download下载前使用 throttle = Throttle(delay=5) #这里实例网站robots.txt中的delay值为5 throttle.wait(url) html = download(url) #html = download(url, hearders, proxy=proxy, num_retries=num_retries)这里可以传所需要的参数 html = str(html) #filter for links matching our regular expression if html == None: continue depth = seen[url] #用于避免爬虫陷阱的记录爬取深度的depth if depth != max_depth: for link in get_links(html): if re.match(link_regex, link): link = urllib.parse.urljoin(seed_url, link) #把提取的相对url路径link(view/178)转化成绝对路径(/view/Poland-178)link if link not in seen: #判断是否之前已经爬取 seen[link] = depth + 1 #在之前的爬取深度上加1 crawl_queue.append(link) #之前没有的话这个链接可用,放在列表中继续进行爬取 else: print("Blocked by %s robots,txt" % url) continue def get_links(html): """用来获取一个html网页中所有的链接URL""" #做了一个匹配模板 webpage_regex,匹配 <a href="xxx"> or <a href='xxx'>这样的字符串,并提取出里面xxx的URL,请注意这里的xxxURL很可能是源码中相对路径,eg view/1 正常访问肯定是打不开的 webpage_regex = re.compile('<a href=["\'](.*?)["\']', re.IGNORECASE) return re.findall(webpage_regex,html) #return re.findall('<a[^>]+href=["\'](.*?)["\']', html)也可以这样实现,但没有上面的先编译模板再匹配好 class Throttle: #爬取网站的下载限速功能的类的实现,每次在download下载前使用 """Add a delay between downloads to the same domain""" def __init__(self, delay): self.delay = delay # value of delay between downloads for each domain self.domains = {} # timestamp of when a domain was last accessed记录上次访问的时间,小知识timestamp:时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数。 def wait(self, url): domain = urllib.parse.urlparse(url).netloc 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).seconds if sleep_secs > 0: time.sleep(sleep_secs) #domain has been accessed recently,so need to sleep self.domains[domain] = datetime.datetime.now() #只想找http://example.webscraping.com/index... or http://example.webscraping.com/view... link_crawler("http://example.webscraping.com", "/(index|view)")
#跟踪链接的爬虫 #link_crawler()函数传入两个参数:要爬取的网站URL、用于跟踪链接的正则表达式。 def link_crawler(seed_url, link_regex, max_depth=2): """先下载 seed_url 网页的源代码,然后提取出里面所有的链接URL,接着对所有匹配到的链接URL与link_regex 进行匹配, 如果链接URL里面有link_regex内容,就将这个链接URL放入到队列中, 下一次 执行 while crawl_queue: 就对这个链接URL 进行同样的操作。 反反复复,直到 crawl_queue 队列为空,才退出函数。""" crawl_queue = [seed_url] max_depth = 2 #为避免爬虫陷阱,将用于避免重复链接的seen记录值修改为字典,增加记录访问次数;如果想要禁用该功能,只需将max_depth设为一个负数即可,此时当前深度永远不会与之相等 seen = {seed_url:0} #初始化seed_url访问深度为0 #seen = set(crawl_queue) #有可能链接中互相重复指向,为避免爬取相同的链接,所以我们需要记录哪些链接已经被爬取过(放在集合seen中),若已被爬取过,不再爬取 while crawl_queue: url = crawl_queue.pop() rp = urllib.robotparser.RobotFileParser() #爬取前解析网站robots.txt,检查是否可以爬取网站,避免爬取网站禁止或限制的 rp.set_url("http://example.webscraping.com/robots.txt") rp.read() user_agent = "brain" if rp.can_fetch(user_agent, url): #解析后发现如果可以正常爬取网站,则继续执行 #爬取网站的下载限速功能的类的调用,每次在download下载前使用 throttle = Throttle(delay=5) #这里实例网站robots.txt中的delay值为5 throttle.wait(url) html = download(url) #html = download(url, hearders, proxy=proxy, num_retries=num_retries)这里可以传所需要的参数 html = str(html) #filter for links matching our regular expression if html == None: continue depth = seen[url] #用于避免爬虫陷阱的记录爬取深度的depth if depth != max_depth: for link in get_links(html): if re.match(link_regex, link): link = urllib.parse.urljoin(seed_url, link) #把提取的相对url路径link(view/178)转化成绝对路径(/view/Poland-178)link if link not in seen: #判断是否之前已经爬取 seen[link] = depth + 1 #在之前的爬取深度上加1 crawl_queue.append(link) #之前没有的话这个链接可用,放在列表中继续进行爬取 else: print("Blocked by %s robots,txt" % url) continue def get_links(html): """用来获取一个html网页中所有的链接URL""" #做了一个匹配模板 webpage_regex,匹配 <a href="xxx"> or <a href='xxx'>这样的字符串,并提取出里面xxx的URL,请注意这里的xxxURL很可能是源码中相对路径,eg view/1 正常访问肯定是打不开的 webpage_regex = re.compile('<a href=["\'](.*?)["\']', re.IGNORECASE) return re.findall(webpage_regex,html) #return re.findall('<a[^>]+href=["\'](.*?)["\']', html)也可以这样实现,但没有上面的先编译模板再匹配好 class Throttle: #爬取网站的下载限速功能的类的实现,每次在download下载前使用 """Add a delay between downloads to the same domain""" def __init__(self, delay): self.delay = delay # value of delay between downloads for each domain self.domains = {} # timestamp of when a domain was last accessed记录上次访问的时间,小知识timestamp:时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数。 def wait(self, url): domain = urllib.parse.urlparse(url).netloc 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).seconds if sleep_secs > 0: time.sleep(sleep_secs) #domain has been accessed recently,so need to sleep self.domains[domain] = datetime.datetime.now() #只想找http://example.webscraping.com/index... or http://example.webscraping.com/view... link_crawler("http://example.webscraping.com", "/(index|view)")