python多线程url采集器 + github_python 写的一款百度关键字url多线程采集

# coding: UTF-8

import urllib

import re

import sys

import os

import threading

from time import ctime

#sys.stderr = None

#获取每页URL,返回当前页URL 列表

def getUrl(url):

page = urllib.urlopen(url)

srcHtml = page.read()

reg = '([a-zA-Z0-9\._-]+\.[a-zA-Z]{2,6})/.*?'

aListUrl = re.findall(reg,srcHtml)

for index in range(len(aListUrl)):

reg = '[|]'

ok = re.sub(reg,'',aListUrl[index])

if ok:

aListUrl[index] = ok

return aListUrl

#拼装所有请求页URL地址 "Codier's Blog" "30"

def getPage(search,num,threadNum):

pageList = []

for index in range(0,num):

strBuff = "http://www.baidu.com/s?wd="+search+"&pn="

nowPage = index*10

strBuff = strBuff + str(nowPage)

pageList.append(strBuff)

return pageList,threadNum

#封装多线程对象列表

def creMultiThread(allPageList,threadNum=2):

if len(allPageList) 

getPageListUrl(allPageList)

else:

threads = []

nextpage = ceil(len(allPageList)/(10*threadNum))

for index in range(0,threadNum):

threads.append(threading.Thread(target=getPageListUrl,args=(pageList[nextpage*index*10:nextpage*(index+1)*10],)))

for thd in threads:

thd.setDaemon(True)

thd.start()

for thd in threads:

thd.join()

resultList = []

def getPageListUrl(pageList):

global resultList

for index in pageList:

for index2 in getUrl(index):

print index2

resultList.append(index2)

#把每页采集到的URL写入文件

def putFile(allUrl):

if os.path.exists("url.txt"):

print u"己删除历史记录,将重新生成采集url...."

os.remove("url.txt")

for index in allUrl:

file = open("url.txt","a+")

file.write(index+"\n")

file.close()

#多线程跑起来

if __name__ == '__main__':

if len(sys.argv) == 4:

list = getPage(str(sys.argv[1]),int(sys.argv[2]),int(sys.argv[3]))

st = ctime()

creMultiThread(list[0],list[1])

result = set(resultList)

print u'''

-----------------------------------------------------

多线程百度URL采集器 python:2.7.10

-----------------------------------------------------

^v^ example:geturl.pyc "关键字"  "页数" "线程数" ^v^

^v^    team:www.secbox.cn                        ^v^

codier_qq:510623849

-----------------------------------------------------

'''

putFile(result)

print u"开始时间:"+st

print u"总共采集"+str(len(resultList))+u"条url........."

print u"去除重复剩余"+str(len(result))+u"条url........."

print u"采集结果已经自动保存当前目录 url.txt 文件中..... ^V^"

print u"结束时间:"+ctime()

elif len(sys.argv) 

print u'''

-----------------------------------------------------

多线程百度URL采集器 python:2.7.10

-----------------------------------------------------

^v^ example:geturl.pyc "关键字"  "页数" "线程数" ^v^

^v^    team:www.secbox.cn                        ^v^

codier_qq:510623849

-----------------------------------------------------

'''

  • 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