Python学习之网页抓取(一)

这一篇实现的功能是:抓取匹配正则表达式的网址,并下载到本地

 

 

#!/usr/bin/env python
# -*- coding: GBK -*-

import urllib
import re

start_url = "http://www.baidu.com"
#获取网站内所有链接
def get_url(url):
    html = urllib.urlopen(url)
    pattern = re.compile("http://.*?\.com",re.I)
    while True:
        data = html.read()
        if data:
            urls = pattern.findall(data)
        else:
            break
    html.close()
    return urls

#下载链接网页
def download_url(url,filename):
    html = urllib.urlopen(url)
    f = open(filename,'w')
    while True:
        data = html.read()
        if data:
            f.write(data);
        else:
            break
    html.close()
    f.close()
    return 1

#广度优先搜索
'''
start_url:初始网址
times:需要遍历网页的数量
'''
def broad_traverse(start_url,times):
    urls = []
    urls.append(start_url)
    i = 0#爬虫抓取的网页数目
    while True:
        if i > times:
            break
        elif len(urls)>0:
            url = urls.pop();
            print url,len(urls)
            download_url(url,str(i)+'htm')
            i = i+1
            if len(urls)<times:
                url_list = get_url(url)
                for url in url_list:
                    if urls.count(url)==0:
                        urls.append(url)
        else:
            break
    return 1 
        
def main():
    broad_traverse(start_url,25)
    
main()

  • 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