python爬取网页内容代码_Python 抓取页面内容 处理编码及匹配关键字

时间:2018-12-21

概述:抓取内容 采集 匹配关键字

本Python代码用于分析被抓取页面的相关数据,获取链接,内容的编码处理以及读取匹配关键字的页面,为程序的下一个处理环节做准备:

#! /usr/bin/env python

import threading

import urllib2

import re

import gzip

import chardet

import logging

from StringIO import StringIO

from BeautifulSoup import BeautifulSoup

def spider(url, args, flag_get_new_link):

thread_name = threading.current_thread().getName()

# 分析页面,获取链接

def get_link(html):

new_link = []

soup = BeautifulSoup(html)

for link in soup.findAll('a', attrs={'href': re.compile("^http://")}):

href = link.get('href')

new_link.append(href)

return new_link

# 获取页面

def get_html(url, args, flag_get_new_link):

html = ''

new_link = []

try:

response = urllib2.urlopen(url, timeout=20)

if response.info().get('Content-Encoding') == 'gzip':

buf = StringIO(response.read())

f = gzip.GzipFile(fileobj=buf)

html = f.read()

else:

html = response.read()

except urllib2.URLError as e:

logging.warning("{0} URL error: {1}".format(url.encode("utf8"), e.reason))

except urllib2.HTTPError as e:

logging.warning("{0} HTTP error: {1}".format(url.encode("utf8"), e.code))

except Exception as e:

logging.warning("{0} Unexpected: {1}".format(url.encode("utf8"), str(e)))

else:

logging.info("{0} downloaded {1}".format(thread_name, url.encode("utf8")))

if args.key == "":

if flag_get_new_link:

new_link = get_link(html)

else:

# 页面编码处理

if not args.encoding:

charset = chardet.detect(html)

args.encoding = charset['encoding']

# 下载匹配关键字的页面

match = re.search(re.compile(args.key), html.decode(args.encoding, "ignore"))

if match and flag_get_new_link:

logging.info("{0} {1} match key".format(thread_name, url.encode("utf8")))

new_link = get_link(html)

else:

logging.info("{0} {1} not match key".format(thread_name, url.encode("utf8")))

finally:

return html, new_link

return get_html(url, args, flag_get_new_link)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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