pan1
import urllib.request
import re
import random

def get_source(key):

    print('请稍等，爬取中....')
    headers = [{'User-Agent':'Mozilla/5.0 (Windows NT 6.3 WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.8.1000 Chrome/30.0.1599.101 Safari/537.36'},{'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:45.0) Gecko/20100101 Firefox/45.0"},{'User-Agent': 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 10.0; WOW64; Trident/7.0)'}]

    header = random.choice(headers) # 随机选取一个header
    
    keyword = key.encode('utf-8')
    keyword = urllib.request.quote(keyword)   # 对关键词进行编码

    # 这里是关键，称随机搜索一个资源名，然后对其结果网址进行分析
    url = "http://www.wangpansou.cn/s.php?wp=0&ty=gn&op=gn&q="+keyword+"&q="+keyword
    req = urllib.request.Request(url, headers=header)

    html = urllib.request.urlopen(req)

    # 编码类型
    head_type = html.headers['Content-Type'].split('=')[-1]   


    status = html.getcode()   # 获取状态码，只有访问成功了才继续。
    if status == 200:
        html = html.read()
        html = html.decode(head_type) #　根据网站编码时行解码

        #　正则匹配　
        pattern = re.compile('<a href="(.+)"><div class="cse-search-result_paging_num " tabindex="\d{1,3}">\d{1,3}</div></a>')
        content = pattern.findall(html)

        url_list = []
        url_head = 'http://www.wangpansou.cn/'
        for i in content:
            i = url_head +i # 因为正匹配出来的只有一部分,所以把前面的一部分加上,开成完整的链接
            if not i in url_list:   # 去掉重复的,网页确实有两分,所以去重.
                url_list.append(i)   # 得到所有 有搜索结果的页面网址列表

    count = 1  # 计数用
    for each_url in url_list:
        header = random.choice(headers)    # 针对每个链接都随机选择一个'头',防止被服务器封掉
        request1 = urllib.request.Request(each_url, headers=header)
        html2 = urllib.request.urlopen(request1)

        status = html2.getcode()   # 获取状态码
        if status == 200:
            html2 = html2.read()
            html2 = html2.decode(head_type)
            pattern1 = re.compile('<a class=".+" href="(.+)" rel.+')
            content1 = pattern1.findall(html2)
            

            pattern2 = re.compile('<div id=".+" class="cse-search-result_content_item_mid">\s+(.+)')
            content2 = pattern2.findall(html2)

        
        for i in range(0,len(content2)):
            print(str(count) + ':' + content2[i] + '\n' + content1[i])
            print()
            count += 1

    print('共搜索到%d个资源,已经全部爬取完毕！' % count)

if __name__ == '__main__':
    get_source(input('请输入要搜索的资源名:'))

说明：
a.本搜索实际是通过通过网盘搜这个网站进行的二次搜索，如果找资源也可以直接到网盘搜进行一页一页的搜索

本脚本唯一的优点是一次性将所有结果全部爬下来，不用一页一页的翻找。

b.代码相当丑，但这也是对学习过程的记录，先实现功能，再考虑代码。
"""

 

略作优化，同时修正了两个小bug

按 Ctrl+C 复制代码





pan2
# coding = 'utf-8'
import urllib.request
import re
import random

def get_html(url, header):
    req = urllib.request.Request(url, headers=header)
    html = urllib.request.urlopen(req)

    head_type = html.headers['Content-Type'].split('=')[-1]
    status = html.getcode()

    return html, head_type, status   # 分别得到html, 编码方式， 访问状态码


headers = [{'User-Agent':'Mozilla/5.0 (Windows NT 6.3 WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.8.1000 Chrome/30.0.1599.101 Safari/537.36'},{'User-Agent':"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:45.0) Gecko/20100101 Firefox/45.0"},{'User-Agent': 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 10.0; WOW64; Trident/7.0)'}]


keyword =input('请输入要搜索的资源名:')
keyword = urllib.request.quote(keyword.encode('utf-8'))
url = "http://www.wangpansou.cn/s.php?wp=0&ty=gn&op=gn&q="+keyword+"&q="+keyword
header = random.choice(headers)

f_html, f_head_type, f_status = get_html(url, header)

if f_status == 200:
    f_html = f_html.read()
    f_html = f_html.decode(f_head_type)

    pattern = re.compile('<a href="(.+)"><div class="cse-search-result_paging_num " tabindex="\d{1,3}">\d{1,3}</div></a>')
    content = pattern.findall(f_html)   # 得到所有有相关结果的页面链接

    url_list = []
    url_head = 'http://www.wangpansou.cn/'
    for i in content:
        i = url_head +i # 因为正匹配出来的只有一部分,所以把前面的一部分加上,开成完整的链接
        if not i in url_list:   # 去掉重复的,网页确实有两分,所以去重.
            url_list.append(i)   # 得到所有 有搜索结果的页面网址列表
    first_url = url_list[0][:-2] + '0'  # 加上第一页
    url_list.insert(0,first_url)

count = 0
for each_url in url_list:
    header = random.choice(headers)
    s_html, s_head_type, s_status = get_html(each_url, header)

    if s_status == 200:
        s_html = s_html.read()
        s_html = s_html.decode(s_head_type)
        s_pattern = re.compile('<a class=".+" href="(.+)" rel.+')
        s_content = s_pattern.findall(s_html) # 分享的链接

        t_pattern = re.compile('<div id=".+" class="cse-search-result_content_item_mid">\s+(.+)')
        t_content = t_pattern.findall(s_html) # 文件信息
    else:
        print('Website Error!')

    for i in range(0, len(s_content)):
        count += 1
        print(str(count) + ':' + t_content[i] + '\n' + s_content[i])
        print()
        


print('共搜索到%d个资源,已经全部爬取完毕！' % count)