上次完成的url爬取项目并不能满足需求，在此完成了一个更为强大的爬取代码，有需要的可以直接运行，根据自己爬取的网站更改部分正则和形参即可。前排提示：运行需要耐心，因为几千个url爬完的话，还是建议花生瓜子可乐电影准备好。
下面是代码，代码有注释，很容易理解。
注意：爬虫代码每过一段时间就 需要更新，因为爬的东西在变，所以可能过一段时间就要更新爬虫。
# -*- coding: utf-8 -*-
“””
Created on Wed Sep 29 14:01:28 2018
@author: ESionJL数据猫
question:1.当前url若爬取到的pagelinks为[]，则将其移除visited列表。
2.spiderpage()函数中，当前url爬取到的网页为UNknown，会报错，如何规避，并将此url移除。
3.返回title为空
4.网站不可加载
5.过期网站，垃圾网站
“””
import re
import requests
from bs4 import BeautifulSoup
from urllib import request
from urllib import error
#此测试首页是否可以链接
def url_get(num_retries=5):
# url = input(“请输入要爬取的首页url:”)
url = “http://”
# url = “http://”
try:
# 做一个user-agent模拟浏览器发送请求,也可以加入其它字段
kv = {‘User-Agent’:’Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko’}
requests.get(url, headers=kv)
return url
except error.URLError or error.HTTPError as e:
if num_retries > 0:
if hasattr(e,’code’) and 500 <= e.code < 600:
url_get(num_retries-1)
print(“url无法连接”)
#此函数用于提取各链接网站下的所有链接
def spiderpage(url):
try:
kv = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) Chrome/57.0.2987.98 Safari/537.36 LBBROWSER’}
r = requests.get(url, headers=kv)
r.encoding = r.apparent_encoding
pagetext = r.text
# 正则表达式表示要爬取的是<a href=”和”中的内容,”或’都可以,即当前页面下所有的链接url,返回列表
pagelinks = re.findall(r'(?<=<a href=\”).*?(?=\”)|(?<=href=\’).*?(?=\’)’, pagetext)
# print(pagelinks)
return pagelinks
except:
pagelinks = [‘http://’]
print(“这个网站有点东西”)
return pagelinks
#此函数用来检测链接是否为外网链接或者不合格链接
def getTitle(url):
# 检验是否为本站链接，防止死循环爬取，如链接跳出本站则不进行操作
headers = {‘Accept’: ‘*/*’,
‘Accept-Language’: ‘en-US,en;q=0.8’,
‘Cache-Control’: ‘max-age=0’,
‘User-Agent’: ‘Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36’,
‘Connection’: ‘keep-alive’,
‘Referer’: ‘http://www.baidu.com/’
}
print(url)
req = request.Request(url, headers=headers)
html = None
try:
response = request.urlopen(req)
html = response.read().decode(‘utf-8’)
soup = BeautifulSoup(html, “html.parser”)
if soup.body is not None:
url_list = soup.head.title
title = url_list.string
print(title)
if title != None:
return title
else:
return “这网站没有灵性”
else:
title = “不可加载”
return title
# except error.URLError or error.HTTPError or error.UnicodeDecodeError:
except:
print(“这网站没有灵性”)
return “不可加载”
#正则删选函数
def url_filtrate(pagelinks):
same_target_url = []
try:
for murl in pagelinks:
murl = re.sub(r’\s+’,”, murl)
if re.findall(“^java”,murl) or re.findall(“^jse”,murl) or re.findall(“^ALL”,murl) or re.findall(“pdf$”,murl) or re.findall(“^login”,murl) or re.findall(“css$”,murl) or re.findall(“@”,murl):
pagelinks.remove(murl)
elif re.findall(“^http”,murl) and re.findall(“newchinalife”,murl) is None:
pagelinks.remove(murl)
elif re.findall(“^http”,murl):
murl = str(murl)
same_target_url.append(murl)
elif re.findall(“^java”,murl) or re.findall(“^jse”,murl) or re.findall(“^ALL”,murl) or re.findall(“pdf$”,murl) or re.findall(“^login”,murl):
pagelinks.remove(murl)
elif re.findall(“gsp$”,murl) or re.findall(“shtml$”,murl) or re.findall(“[0-9]*$”,murl):
murl = “https://www.newchinalife.com” + str(murl)
same_target_url.append(murl)
elif re.findall(“^/”,murl):
murl = “https://www.newchinalife.com” + str(murl)
same_target_url.append(murl)
else:
pass
except ValueError as e:
pass
# 去除重复url
unrepect_url = []
for l in same_target_url:
if l not in unrepect_url:
unrepect_url.append(l)
print(unrepect_url)
return unrepect_url
class linkQuence:
def __init__(self):
# 已访问的url集合
self.visited = []
# 待访问的url集合
self.unvisited = []
# 获取访问过的url队列
def getvisitedurl(self):
return self.visited
# 获取未访问的url队列
def getunvisitedurl(self):
return self.unvisited
# 添加url到访问过得队列中
def addvisitedurl(self, url):
return self.visited.append(url)
# 移除访问过得url
def removevisitedurl(self, url):
return self.visited.remove(url)
# 从未访问队列中取一个url
def unvisitedurldequence(self):
try:
return self.unvisited.pop()
except:
return None
# 添加url到未访问的队列中
def addunvisitedurl(self, url):
if url != “” and url not in self.visited and url not in self.unvisited:
return self.unvisited.insert(0, url)
# 获得已访问的url数目
def getvisitedurlount(self):
return len(self.visited)
# 获得未访问的url数目
def getunvistedurlcount(self):
return len(self.unvisited)
# 判断未访问的url队列是否为空
def unvisitedurlsempty(self):
return len(self.unvisited) == 0
class Spider():
def __init__(self, url):
self.linkQuence = linkQuence() # 将队列引入本类
self.linkQuence.addunvisitedurl(url) # 传入待爬取的url,即爬虫入口
#真正的爬取链接函数
def crawler(self,urlcount):
# 子页面过多,为测试方便加入循环控制子页面数量
x = 1
while self.linkQuence.unvisited or x==urlcount:
# 若子页面不是很多,可以直接使用队列中的未访问列表非空作为循环条件
# while not self.linkQuence.unvisitedurlsempty():
if x > 1:
print(f”第{x-1}个url,开始爬”)
visitedurl = self.linkQuence.unvisitedurldequence() # 从未访问列表中pop出一个url
if visitedurl is None or visitedurl == ”:
continue
title = getTitle(visitedurl)
if re.findall(“新华保险”,title): #如果跳出本站则pass
initial_links = spiderpage(visitedurl) # 爬出该url页面中所有的链接
right_links = url_filtrate(initial_links) # 筛选出合格的链接
if not right_links:
pass
else:
self.linkQuence.addvisitedurl(visitedurl) # 将该url放到访问过的url队列中
for link in right_links: # 将筛选出的链接放到未访问队列中
self.linkQuence.addunvisitedurl(link)
x += 1
else:
pass
print(f”爬完了”)
return self.linkQuence.visited
#写文件函数
def writetofile(urllist):
#写入网站并计数
x=1
for url in urllist:
# Furls.txt用于保存链接
file = open(‘Furls.txt’, ‘a’, encoding=’utf8′)
file.write(f'{url}\n’)
x += 1
file.close()
print(f’写入已完成,总计{x-1}个网页的子链接’)
#主循环
if __name__ == ‘__main__’:
url = url_get()
spider = Spider(url)
#传入要爬取的子链接数量
urllist = spider.crawler(5000)
writetofile(urllist)
还是希望大家自己学会比较好，只是粘贴毕竟学不到东西，这个主题框架不是我写的，但是真正的实现函数都是我自己一点一点写的，遇到很多困难也都解决了，能学到不少东西。
————————————————
版权声明：本文为CSDN博主「数据猫JL」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ESionJL/article/details/82869408
