关于爬虫的文章，有时间要细细看一下面
http://fly5.com.cn/p/p-work/%E8%B0%B7%E6%AD%8C%E7%BD%91%E9%A1%B5%E7%9B%AE%E5%BD%95%E6%95%B0%E6%8D%AE%E6%8A%93%E5%8F%96.html 谷歌网页目录数据抓取
谷歌网页目录数据抓取
Qign / 四月 12th, 2010 / 1 Comment / Tags: python , spider , 抓取 , 谷歌网页目录 / Posted in Work /
目标地址为：http://www.google.com/Top/World/Chinese_Simplified/ 我们要获取这些站点的keyword(网站名)、pr值、以及网址
抓取采用了 urllib2 + regex 的组合方式
数据库为mysql,使用模块 MySQLdb
分为三个文件: spider_Model.py、dbModel.py、google_list.py
如果想更改存储方式，只需自行设定 google_list.py 中的 save函数即可
废话不多说，上程序：
抓取model: spider_Model.py
这个文件预置了 手动输入验证码、生成随机数、代理抓取，便于以后用于更多用途
抓取时模拟firefox浏览器访问留下的痕迹，自带cookie管理,并且自动refer为上一次访问的页面
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 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81
#!/usr/bin/env python
#coding=utf-8
import urllib , urllib2
import socket
import cookielib
import time
import random , string
#超时设定
socket . setdefaulttimeout ( 10.0 )
class Spider ( object ) :
def __init__ ( self ,host= 'www.google.com' ,encode= 'utf-8' ) :
self . HOST = host
self . ENCODE = encode
self ._set_cookie ( )
def _set_cookie ( self ) :
#加载cookie
cj = cookielib . CookieJar ( )
#proxy_support = urllib2.ProxyHandler({"http":"http://127.0.0.1:7070"})
self . opener = urllib2 . build_opener ( urllib2 . HTTPCookieProcessor ( cj ) )
self . opener . addheaders = [ ( "Host" , self . HOST ) ,
( "User-Agent" , "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.1.8) Gecko/20100215 Ubuntu/9.04 (jaunty) Shiretoko/3.5.8" ) ,
( "Accept" , "text/xml,application/xml,application/xhtml+xml,text/html;q=0.9,text/plain;q=0.8,image/png,*/*;q=0.5" ) ,
( "Accept-Language" , "zh-cn,zh;q=0.8" ) ,
( "Accept-Charset" , "GB2312,utf-8;q=0.5,*;q=0.5" ) ,
( "Keep-Alive" , "300" ) ,
( "Cookie" , "PREF=ID=5ac93d1521e08c1b:U=8260225976856014:LD=en:NR=10:CR=2:TM=1268648036:LM=1270784729:GM=1:S=iGzspMhd7z9-Xnj7; NID=33=CYN_u9CMi6tE_KN8ACu8DIgXgo4-jeHVsQ_nCDzN7UBxtDsy4-D4dEX67EB99YAYZ_S4li699CFoVWP5xPAUbIatvHLHHECWjl87-X8TZvhMZlSNKZVT_pXocx8_jo6m" ) ,
( "Connection" , "keep-alive" ) ]
#发送post 信息
def post ( self ,url,values ) :
urllib2 . install_opener ( self . opener )
WS_data = urllib . urlencode ( values )
WS_req = urllib2 . Request ( url,WS_data )
WS_response = urllib2 . urlopen ( WS_req ) . read ( ) . decode ( self . ENCODE , 'ignore' )
return WS_response
#获取网页信息
def get ( self ,url ) :
urllib2 . install_opener ( self . opener )
num = 0
while True :
try :
response = urllib2 . urlopen ( url ) . read ( ) . decode ( self . ENCODE , 'ignore' )
num = 0
break
except :
num = num + 1
if num == 1 :
print '*****get html error***** \n URL:%s,Num:%s' % ( url,num )
elif num > = 10 :
print num
return False
time . sleep ( 3 )
#设置referer
self . opener . addheaders . append ( ( 'Referer' ,url ) )
#print "获取成功" # 获取发送后的返回信息
return response
#获取验证码
def save_validate_code ( img_code,path = '1.bmp' ) :
f = open ( path, "wb" )
f. write ( img_code )
f. close ( )
#生成随机数
def get_random_num ( self ) :
n = random . randint ( 4 , 12 )
rnum = "ABCDEFGHIJKLMNOPQRSTUVWXYZ23456789"
st = string . join ( random . sample ( rnum, n ) ) . replace ( " " , "" )
print st
return st
if __name__ == '__main__' :
S = Spider ( )
print S. get ( 'http://ip138.com/ip2city.asp' )
逻辑&&控制主脚本：google_list.py
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 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67
#! /usr/bin/env python
#coding=utf-8
# 记录 pr,name,网址
import re
import urllib
from dbModel import MySQL
from spiderModel import Spider
HOST = 'http://www.google.com'
PATH = '/Top/World/Chinese_Simplified/'
R_DATA = re . compile ( r '' '<img src="/images/(?:pos.gif|cleardot.gif)" \s *width=( \d +.).*?</nobr></td> \s *<td><font face="arial,sans-serif"><a href="([^"]*?)">([^<]*?)</a>' '' )
R_CHILD = r '' '<a href="(?:%s)?([^/]*?)/">' ''
SQL = MySQL ( )
S = Spider ( HOST, 'gb2312' )
#ISNO = True
def save ( keyword ,pr= '' ,url= '' ,come_from= 'google_list' ) :
SQL. insert_google_list ( keyword ,pr,url,come_from )
print "keyword:%s,pr:%s,url:%s \n ----- \n " % ( keyword ,pr,url )
def get_child_list ( html,path ) :
r_list = re . compile ( R_CHILD % path )
child_list = r_list. findall ( html )
for child in child_list:
keyword = urllib . unquote ( str ( child ) )
save ( keyword )
return child_list
def get_data ( html ) :
data_list = R_DATA. findall ( html )
if data_list ! = [ ] :
# print data_list
for data in data_list:
pr,url, keyword = data
if pr [ - 1 ] ! = ',' :
pr = 0
else :
pr = pr [ :- 1 ]
pr = str ( int ( pr ) / 4 )
save ( keyword ,pr,url )
return
def get_html ( path=PATH ) :
global ISNO
url = HOST+path
print "Get html,url: %s" % url
html = S. get ( url )
if not html:
return
html = html. encode ( 'utf-8' )
get_data ( html )
child_paths = get_child_list ( html,path )
for child in child_paths:
# if ISNO and child != '%E8%B4%AD%E7%89%A9':
# continue
# ISNO = False
child_path = path + child + '/'
get_html ( child_path )
if __name__ == "__main__" :
get_html ( PATH )
存储model: DBmodel.py
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
#! /usr/bin/env python
#coding=utf-8
import MySQLdb
class MySQL ( object ) :
def __init__ ( self ,db_name= 'keywordict' ) :
self . db_name = db_name
self . cursor = self ._connect ( )
def _connect ( self ) :
conn = MySQLdb. connect ( host= '127.0.0.1' , user = 'root' ,passwd= 'root' ,charset= 'utf8' )
conn. select_db ( self . db_name )
return conn. cursor ( )
def insert ( self ,value ) :
self . cursor . execute ( "insert into keyword_list values(%s)" % ( value ) )
def insert_google_list ( self , keyword ,pr,url,come_from ) :
self . cursor . execute ( '' 'insert into keyword_google(`keyword`,`pr`,`url`,`from`) values(%s,%s,%s,%s) ' '' , ( keyword ,pr,url,come_from ) )
def close ( self ) :
self . cursor . close ( ) ;
if __name__ == "__main__" :
aa = MySQL ( )
aa. insert_google_list ( '门事网.网络门事件' , '3' , 'http://wwww.doorthing.com' )
相关文章
about 编码的一段话
=Python编码和Windows控制台= 我发现，很多初学者出错的地方都在 print 语句，这牵涉到控制台的输出。我不了解linux，所以只说控制台的。 首先，Windows的控制台确实是 unicode （utf16_le编码）的，或者更准确的说使用字符为单位输出文本的。 但是，程序的执行是可以被重定向到文件的，而文件的单位是“字节”。 所以，对于C运行时的函数printf之类的，输出必须有一个编码，把文本转换成字节。可能是为了兼容 95 ， 98 ， 没有使用 unicode 的编码，而是mbcs（不是gbk之类的）。 windows的mbcs，也就是ansi，它会在不同语言的windows中使用不同的编码，在中文的windows中就是gb系列的编码。 这造成了同一个文本，在不同语言的windows中是不兼容的。 现在我们知道了，如果你要在windows的控制台中输出文本，它的编码一定要是“mbcs”。 对于python的 unicode 变量，使用 print 输出的话，会使用 sys . getfilesystemencoding ( ) 返回的编码，把它变成 str 。 如果是一个utf8编码 str 变量，那么就需要 print s. decode ( 'utf8' ) . encode ( 'mbcs' ) 最后，对于 str 变量， file 文件读取的内容， urllib 得到的网络上的内容，都是以“字节”形式的。 它们如果确实是一段“文本”，比如你想 print 出来看看。那么你必须知道它们的编码。然后decode成 unicode 。 如何知道它们的编码： 1 .事先约定。（比如这个文本文件就是你自己用utf8编码保存的） 2 .协议。（python文件第一行的 #coding=utf8，html中的等） 3 .猜。
查看更多关于关于爬虫的文章，有时间要细细看一下面的详细内容...
声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://haodehen.cn/did43757