验证输入的url是否可正常连接,无法连接提示用户再次输入,正常连接则返回url本身
def url_get():
url = input("请输入要爬取的首页url:")
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; WOW64) Chrome/57.0.2987.98 Safari/537.36 LBBROWSER'}
requests.get(url, headers=kv)
return url
except:
print("url无法连接")
return url_get()
1
2
3
4
5
6
7
8
9
10
2
3
4
5
6
7
8
9
10
根据传入的URL参数进行爬取,以列表形式返回
def spiderpage(url):
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)
return pagelinks
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
根据需要对爬取的所有Url进行筛选和去重,传入的参数为列表形式的Url集合,返回的是符合条件的URL集合
def url_filtrate(pagelinks):
# 去除不是以要爬取网站开头的url,如跳转的广告等
same_target_url = []
for l in pagelinks:
if re.findall(r'blog.csdn.net/\w+/article/details/\d+', l):
# 根据对网页的分析添加筛选条件,过滤掉系统推荐的博文链接
if re.findall(r'blockchain_lemon', l):
pass
# 过滤掉广告链接
elif re.findall(r'passport', l):
pass
else:
same_target_url.append(l)
# 去除重复url
unrepect_url = []
for l in same_target_url:
if l not in unrepect_url:
unrepect_url.append(l)
return unrepect_url
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
队列,实现将url集合分为未访问和已访问两类,当前未访问为空时结束循环等功能
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
爬虫代码,通过调用上边的函数和队列,爬取输入页面下的所有链接,循环输入子页面就可以爬取所有子链接,以列表形式返回url集合
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
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 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
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
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
print(f"终于爬完了,一共是{x-2}个url")
return self.linkQuence.visited
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
将爬取到的子链接全部写入本地文件
def writetofile(list):
# 因为第一个爬取的页面为爬虫入口,非需要的博文网址,因此从[1]开始写入
x=1
for url in list[1:]:
# urls.txt用于保存博文标题和博文链接,文件夹demo创建好,或者加入os也行,反正很简单
file = open('F://demo/urls.txt', 'a', encoding='utf8')
file.write(f'{url}\n')
x += 1
file.close()
print(f'写入已完成,总计{x-1}个子链接')
1
2
3
4
5
6
7
8
9
10
2
3
4
5
6
7
8
9
10
启动爬虫
if __name__ == '__main__':
url = url_get()
spider = Spider(url)
#传入要爬取的子链接数量100
urllist = spider.crawler(100)
writetofile(urllist)
1
2
3
4
5
6
2
3
4
5
6