简单网站爬虫30行代码 


 1 #encoding=utf8
 2 import urllib.request
 3 import re
 4 import os
 5 
 6 
 7 seed="http://idea.lanyus.com/"   #最开始的种子，爬取的网站
 8 depth=3                          #最多递归depth层，避免递归栈过深
 9 count=5                          #每个网页只抓取count个url作为新的seed
10 href_re=re.compile(r'href\S=\S"(https?:/\S*)"')  #通过正则表达匹配网页源码中的URL
11 http_re=re.compile(r'\w+')         #通过正则表达匹配中文
12 pages=set()

13 path_dir="."                        #保存路径
14 def get_path(url):
15     name='_'.join(href_re.findall(url))[:30]
16     path=os.path.join(path_dir,"%s.txt" %name)
17 def fetch(que=[seed,],dep=0):
18     nxt_que=[]
19     for url in que:
20         print("depth:%d   fetch:%s..." %(dep,url))
21         html=urllib.request.urlopen(url).read()
22         print(html)
23         with open(get_path(url),'w+') as f:
24             f.write(html)                     #保存网页内容
25         cnt=0
26         for new_url in href_re.findall(html):
27             if new_url in pages:continue         #如果已经爬过则跳过
28             pages.add(new_url)
29             cnt+=1
30             nxt_que.append(new_url)
31             if cnt>=count:
32                 break
33     if dep<depth:
34         fetch(nxt_que,dep+1)
35 
36 if __name__=="__main__":
37     fetch()

 

posted @ 2018-04-30 21:22  Awzh  阅读(1510)  评论(0)    收藏  举报