随手用python写一个下载jdk源码爬虫

　　最近在研读jdk源码，网上找了下资源，发现都不完整。

　　后来新发现了一个有完整源码的地方，主要包括了java,c,c++的东西，装逼需要，就想拿来玩玩。但是，找了好多种下载打开的方式，发现都不对。于是，我随手写了python爬虫，把他搞定。

1. 思路分析

　　1.1. 目标地址：http://hg.openjdk.java.net/jdk8u/jdk8u/jdk/file/dddb1b026323/，打开后先自己看下，是否符合自己的需求；

　　1.2. 分析此结构下主要有两种形式，一是目录文件，二是最终文件，特征明显，可区分出最终结果；

　　1.3. 目录深度不确定，很自然地想到了递归；

　　1.4. 查询有效目录，很自然地想到了正则表达式；

　　1.5. 基于可能有中断的情况，可能需要进行断点下载，因此考虑加个简单的跳过功能；

      1.6. 考虑到可能并发下载，为节省时间，应使用锁避免；

　　1.7. 考虑可能出现重复下载某文件或目录的情况，耗费资源，因此加一个全局文件集，进行去重处理；

　　1.8. 由于该文件目录很规律，就直接沿用其目录结构了；

　　1.9. 考虑到本机环境可能不稳定，于是利用公司测试环境服务器；

　　2.0. 开工！

2. 鲁棒的代码来一波

　　python2 版本的拉取代码如下：

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import urllib,urllib2
import re
import os
import HTMLParser
dirbase = '/tmp'
urlbase = 'http://hg.openjdk.java.net'
url= urlbase + '/jdk8u/jdk8u/jdk/file/dddb1b026323/src'        #/jdk,/hotspot
skip_to_p = ''
skip_find = False;
textmod ={'user':'admin','password':'admin'}
textmod = urllib.urlencode(textmod)
print(url)
req = urllib2.Request(url = '%s%s%s' % (url,'?',textmod))
res = urllib2.urlopen(req)
res = res.read()
alink = re.findall(r'<a',res)
allflist = []

table=re.findall(r'<tbody class="stripes2">(.+)<\/tbody>',res, re.S)

harr = re.findall(r'href="(/jdk8u[\w\/\._]+)">(?!\[up\])', table[0])

def down_src_recursion(harr):
  global allflist,skip_find;
  if(not harr):
    return False;
  i=0; arrlen = len(harr)
  lock_conflict_jump_max = 2;   # 遇到文件锁时跳过n个文件,当前仍需跳过的文件数量
  lock_conflict_jumping = 0;
  print("in new dir cur...")
  if(len(allflist) > 1500):
     print('over 1500, cut to 50 exists...')
     allflist = allflist[-800:]
  for alink in harr:
    i += 1;
    alink = alink.rstrip('/')
    if(skip_to_p and not skip_find):
    if(alink != skip_to_p):
      print('skip file, cause no find..., skip=%s,now=%s' % (skip_to_p, alink))
      continue;
    else:
      skip_find = True;
    if(alink in allflist):
      print('目录已搜寻过:' + alink)
      continue;
    pa = dirbase + alink
    if(os.path.isfile(pa)):
      print('文件已存在，无需下载: ' + pa)
      continue;
    lockfile=pa+'.tmp'
    if(os.path.isfile(lockfile)):
　　　 lock_conflict_jumping = lock_conflict_jump_max;
      print('文件正在下载中，跳过+%s...: %s' % (lock_conflict_jumping, lockfile))continue; 
    else:
      if(lock_conflict_jumping > 0):
         lock_conflict_jumping -= 1;
         print('文件正在下载中，跳过+%s...: %s' % (lock_conflict_jumping, lockfile))continue;
    # 首先根据后缀把下载中的标识标记好，因为网络下载时间更慢，等下载好后再加标识其实已为时已晚
    if(pa.endswith(('.gif','.jpg','.png', '.xml', '.cfg', '.properties', '.make', '.sh', '.bat', '.html', '.c','.cpp', '.h', '.hpp', '.java', '.1'))):
       os.mknod(lockfile);
    reqt = urllib2.Request(urlbase + alink)
    rest = urllib2.urlopen(reqt)
    rest = rest.read()
    allflist.append(alink)
    if(rest.find('class="sourcefirst"') > 0):
       print('这是个资源文件:%s         %d/%d' % (alink, i, arrlen))
       if(not os.path.isfile(lockfile)):
          os.mknod(lockfile);
       filename = alink.split('/')[-1]
       linearr = re.findall(r'<span id=".+">(.+)</span>', rest)
       fileObject = open(dirbase + alink, 'w')
       for line in linearr:
          try:
            line = HTMLParser.HTMLParser().unescape(line)
          except UnicodeDecodeError as e:
            print('oops, ascii convert error accour:', e)
          fileObject.write(line + '\r\n')
       fileObject.close()
       os.remove(lockfile); 
    else:
      print('这是目录:%s        %d/%d' % (alink, i, arrlen))
      if(not os.path.exists(pa)):
         print('创建目录:%s' % alink)
         os.makedirs('/tmp' + alink, mode=0777)
      ta=re.findall(r'<tbody class="stripes2">(.+)<\/tbody>',rest, re.S)
      ha = re.findall(r'href="(/jdk8u[\w\/\._]+)">(?!\[up\])', ta[0])
      down_src_recursion(ha)

# go...
down_src_recursion(harr);

 

　　python3则稍微有些写法不一样，python3版本如下：

#!/usr/bin/python
# -*- coding: UTF-8 -*-

from urllib import parse
from urllib import request
import urllib
import re
import os
import html
dirbase = '/tmp'
urlbase = 'http://hg.openjdk.java.net'
url= urlbase + '/jdk8u/jdk8u/jdk/file/dddb1b026323/src'        #/jdk,/hotspot
skip_to_p = ''
skip_find = False;
textmod ={'user':'admin','password':'admin'}
textmod = parse.urlencode(textmod)
print(url)
req = request.Request(url = '%s%s%s' % (url,'?',textmod))
res = request.urlopen(req)
res = res.read().decode("utf-8")
alink = re.findall(r'<a',res)
allflist = []

table=re.findall(r'<tbody class="stripes2">(.+)<\/tbody>',res, re.S)

harr = re.findall(r'href="(/jdk8u[\w\/\._]+)">(?!\[up\])', table[0])

def down_src_recursion(harr):
  global allflist,skip_find;
  if(not harr):
    return False;
  i=0; arrlen = len(harr)
  lock_conflict_jump_max = 2;   # 遇到文件锁时跳过n个文件,当前仍需跳过的文件数量
  lock_conflict_jumping = 0;
  print("in new dir cur...")
  if(len(allflist) > 1500):
     print('over 1500, cut to 50 exists...')
     allflist = allflist[-800:]
  for alink in harr:
    i += 1;
    alink = alink.rstrip('/')
    if(skip_to_p and not skip_find):
      if(alink != skip_to_p):
        print('skip file, cause no find..., skip=%s,now=%s' % (skip_to_p, alink))
        continue;
    else:
      skip_find = True;
    if(alink in allflist):
      print('目录已搜寻过:' + alink)
      continue;
    pa = dirbase + alink
    if(os.path.isfile(pa)):
      print('文件已存在，无需下载: ' + pa)
      continue;
    lockfile=pa+'.tmp'
    if(os.path.isfile(lockfile)):
      lock_conflict_jumping = lock_conflict_jump_max;
      print('文件正在下载中，跳过+%s...: %s' % (lock_conflict_jumping, lockfile))
      continue; 
    else:
      if(lock_conflict_jumping > 0):         
        lock_conflict_jumping -= 1;
        print('文件正在下载中，跳过+%s...: %s' % (lock_conflict_jumping, lockfile))
        continue;
    # 首先根据后缀把下载中的标识标记好，因为网络下载时间更慢，等下载好后再加标识其实已为时已晚
    if(pa.endswith(('.gif','.jpg','.png', '.xml', '.cfg', '.properties', '.make', '.sh', '.bat', '.html', '.c','.cpp', '.h', '.hpp', '.java', '.1'))):
       # os.mknod(lockfile);
       open(lockfile, 'w')
    reqt = request.Request(urlbase + alink)
    rest = request.urlopen(reqt)
    rest = rest.read().decode("UTF-8")
    allflist.append(alink)
    if(rest.find('class="sourcefirst"') > 0):
       print('这是个资源文件:%s         %d/%d' % (alink, i, arrlen))
       if(not os.path.isfile(lockfile)):
          # os.mknod(lockfile);
          open(lockfile, 'w')
       filename = alink.split('/')[-1]
       linearr = re.findall(r'<span id=".+">(.+)</span>', rest)
       fileObject = open(dirbase + alink, 'w')
       for line in linearr:
          try:
            line = html.unescape(line)
          except UnicodeDecodeError as e:
            print('oops, ascii convert error accour:', e)
          fileObject.write(line + '\r\n')
       fileObject.close()
       os.remove(lockfile); 
    else:
      print('这是目录:%s        %d/%d' % (alink, i, arrlen))
      if(not os.path.exists(pa)):
        print('创建目录:%s' % alink)
        os.makedirs('/tmp' + alink, mode=777)
      ta=re.findall(r'<tbody class="stripes2">(.+)<\/tbody>',rest, re.S)
      ha = re.findall(r'href="(/jdk8u[\w\/\._]+)">(?!\[up\])', ta[0])
      down_src_recursion(ha)

# go...
down_src_recursion(harr);

 　　python2 与 python3 有许多差别，这是比较头疼的地方。这一点，java就做得很好，几十年以来变化都是兼容的。但这也导致语言维护更困难吧。python3中抛弃了许多python2的接口，包也做了转移。头疼！

3. 让代码跑起来

python jdk-crawler.py

　　因为本段代码是单线程的，所以并发度为1. 所以，下载的快慢完全取决于网络io.如果想下载快点，那么可以开几个窗口，调用几次本段python脚本，从而达到并发执行的效果。因为上段代码中，使用了文件锁的方式，所以可以保证多进程之间安全并发。

4. 瞅瞅下载得咋样了

du -sh /tmp/jdk8u/

 

ok, 以上，就打完了。等测试环境下载完成后，再通过ftp搬到你电脑上了。