文章详情

  • 游戏榜单
  • 软件榜单
关闭导航
热搜榜
热门下载
热门标签
php爱好者> php文档>python实现爬虫

python实现爬虫

时间:2010-08-25  来源:bigluo

爬虫工作的基本原理就是,给定一个初始的url,下载这个url的网页,然后找出网页上所有满足下载要求的链接,然后把这些链接对应的url下载下来,然后再找下载下来的这些网页的url,我们可以用广度优先搜索实现这个算法.


#!/usr/bin/python
import urllib2
import re

def downURL(url,filename):
print url
print filename
try:
fp = urllib2.urlopen(url)
except:
print 'download exception'
return 0
op = open(filename,"wb")
while 1:
s = fp.read()
if not s:
break
op.write(s)

fp.close()
fp.close()
return 1

#downURL('http://www.sohu.com','http.log')

def getURL(url):
try:
fp = urllib2.urlopen(url)
except:
print 'get url exception'
return 0

pattern = re.compile("http://sports.sina.com.cn/[^\>]+.shtml")
while 1:
s = fp.read()
if not s:
break
urls = pattern.findall(s)
fp.close()
return urls

def spider(startURL,times):
urls = []
urls.append(startURL)
i = 0
while 1:
if i > times:
break;
if len(urls)>0:
url = urls.pop(0)
print url,len(urls)
downURL(url,str(i)+'.htm')
i = i + 1
if len(urls)<times:
urllist = getURL(url)
for url in urllist:
if urls.count(url) == 0:
urls.append(url)
else:
break
return 1
spider('http://www.sina.com.cn',10)


几个爬虫的库
http://pypi.python.org/pypi?:action=browse&c=334

一个不错的小库,这个站点也是一个不错的入门级别的站点。例子代码很好。
http://www.example-code.com/python/spider_begin.asp



相关阅读 更多 +
排行榜 更多 +
找茬脑洞的世界安卓版

找茬脑洞的世界安卓版

休闲益智 下载
滑板英雄跑酷2手游

滑板英雄跑酷2手游

休闲益智 下载
披萨对对看下载

披萨对对看下载

休闲益智 下载