python实例爬取网站所有url链接-泓源视野

python实例爬取网站所有url链接

import re
import requests
# 获取并检验要爬取的网站
def url_get(): url=input("please input the url:") try: kv={'user_agent':'Mozilla/5.0'} requests.get(url,headers=kv) return url except: print("your url is incorrect!!") return url_get()
'''
找出url中的域名
比如从https://www.xiaogeng.top/article/page/id=3筛选出www.xiaogeng.top
'''
def url_same(url): #判断输入的网站使用的是https还是http urlprotocol=re.findall(r'.*(?=://)',url)[0] print('该站使用的协议是:' + urlprotocol) if len(re.findall(r'/',url)) >2: if urlprotocol=='https': sameurl = re.findall(r'(?<=https://).*?(?=/)', url)[0] else: sameurl = re.findall(r'(?<=http://).*?(?=/)', url)[0] else: url = url + '/' if urlprotocol=='https': sameurl = re.findall(r'(?<=https://).*?(?=/)',url)[0] else: sameurl = re.findall(r'(?<=http://).*?(?=/)',url)[0] print('域名地址:' + sameurl) return sameurl
# 爬取url页面中的所有链接
def spiderpage(url): kv={'user_agent':'Mozilla/5.0'} r=requests.get(url,headers=kv) r.encoding=r.apparent_encoding pagetext=r.text pagelinks = re.findall(r'(?<=href=\").*?(?=\")|(?<=href=\').*?(?=\')',pagetext) return pagelinks
#筛选pagelinks中的url
def url_filtrate(pagelinks): ''' print("我现在在筛选") ''' #去除不是该站点的url same_target_url = [] for l in pagelinks: if re.findall(sameurl,l): 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
#将一个列表写入文件
def writetofile(list): file=open('urls.txt','w') for url in list: file.write(url) file.write('\n') file.close()
# url集合,循环遍历会用到
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
# 真正的爬取函数
class Spider(): def __init__(self,url): self.linkQuence = linkQuence() #引入linkQuence类 self.linkQuence.addunvisitedurl(url) #并将需要爬取的url添加进linkQuence对列中 def crawler(self): while not self.linkQuence.unvisitedurlsempty():# 若未访问队列非空 print("嘀嘀嘀我又爬到一个") visitedurl = self.linkQuence.unvisitedurldequence()# 取一个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) # print(self.linkQuence.visited) print("哥我爬完了") return self.linkQuence.visited
if __name__ == '__main__': url=url_get() sameurl=url_same(url) spider=Spider(url) urllist=spider.crawler() writetofile(urllist)

爬取网站的所有链接url
python实例爬取网站所有url链接插图

本文由 泓源视野 作者:admin 发表,其版权均为 泓源视野 所有,文章内容系作者个人观点,不代表 泓源视野 对观点赞同或支持。如需转载,请注明文章来源。
7

发表评论

Protected with IP Blacklist CloudIP Blacklist Cloud
您是第8236080 位访客, 您的IP是:[172.70.35.4]