image
1.系列文章列表
源码
#!/usr/bin/env python
# -*- coding: utf8 -*-
__author__ = 'van1988ch'
import urllib2
import re
import urlparse
from datetime import datetime
import time
class Throttle:
"""限速,每个域名一个计时器
"""
def __init__(self, delay):
self.delay = delay
self.domains = {}
def wait(self, url):
domain = urlparse.urlparse(url).netloc
last_accessed = self.domains.get(domain)
if self.delay > 0 and last_accessed is not None:
sleep_secs = self.delay - (datetime.now() - last_accessed).seconds
if sleep_secs > 0:
time.sleep(sleep_secs)
self.domains[domain] = datetime.now()
def Download(url, retrynum=2):
"""抓取网页, retrynum=[500,600)错误重试次数"""
print 'Downloading:', url
try:
html = urllib2.urlopen(url).read()
except urllib2.URLError as e:
print 'Download error:', e.reason
html = None
if retrynum > 0:
if hasattr(e, 'code') and 500 <= e.code < 600:
html = Download(url, retrynum-1)
except :
html = None
return html
def link_crawler(seed_url):
"""分析网页中的内部链接来抓取全部网页
"""
crawl_queue = [seed_url]
seen = set(crawl_queue)
throttle = Throttle(3)
while crawl_queue:
url = crawl_queue.pop()
throttle.wait(url)
html = Download(url)
if html:
for link in get_links(html):
link = urlparse.urljoin(seed_url, link)
if link not in seen:
seen.add(link)
crawl_queue.append(link)
def get_links(html):
"""正则匹配分析出所有的链接
"""
webpage_regex = re.compile('<a[^>]+href=["\'](.*?)["\']', re.IGNORECASE)
return webpage_regex.findall(html)
if __name__ == '__main__':
link_crawler('http://www.iplaysoft.com/')
本篇是第三篇文章解决上篇文章的三个问题.
- 1.没有区分相对路径和绝对路径
- 2.由于计算机请求太快没有做限速处理,很容易被目标主机给屏蔽掉
- 3.没有对于同一个连接去重
没有区分相对路径和绝对路径问题
这个问题可以使用python的urlparse这个库来解决,他可以根据我们的参数来决定最终的url.
>>> link = urlparse.urljoin("http://www.baidu.com", "/a")
>>> print link
http://www.baidu.com/a
>>> link = urlparse.urljoin("http://www.baidu.com", "http://www.tytt/a")
>>> print link
http://www.tytt/a
由于计算机请求太快没有做限速处理,很容易被目标主机给屏蔽掉
这个问题是通过Throttle类来处理的.根据每个域名增加一个计时器来决定是否要延迟本次请求.具体看源代码
没有对于同一个连接去重
去重问题就直接交给set来处理的.这样处理暂时来看没什么问题,但是其实还是有点粗糙.后面还会介绍基于数据库mongodb来处理去重问题.
2.总结
这个是一个爬虫的系列文章,这篇文章只是一个最简单的爬虫的代码,我们会采取由浅到深的这个一个方式来写这个系列,希望大家多多关注.github源代码
