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()

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

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

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

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

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')

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)