[python] 爬取网站所有的URL

739次阅读
没有评论

[python]

运行python脚本,最终程序目录下会是这样:

[python]

result.txt中保存所有的URL

[python]

文件夹sh.neusoft.com中保存爬虫得到的所有网页

[python]

main.py的源代码如下

[python]  view plain  copy

  • # -*- coding: utf-8 -*  
  • import os  
  • import re  
  • import shutil  
  •   
  • REJECT_FILETYPE = 'rar,7z,css,js,jpg,jpeg,gif,bmp,png,swf,exe'#定义爬虫过程中不下载的文件类型  
  •   
  • def getinfo(webaddress):  
  •     global REJECT_FILETYPE  
  •   
  •     url = 'http://'+webaddress+'/'#通过用户输入的网址连接上网络协议,得到URL。  
  •     print 'Getting>>>>> '+url#打印提示信息,表示正在抓取网站  
  •     websitefilepath = os.path.abspath('.')+'/'+webaddress#通过函数os.path.abspath得到当前程序所在的绝对路径,然后搭配用户所输入的网址得到用于存储下载网页的文件夹  
  •     if os.path.exists(websitefilepath):#如果此文件夹已经存在就将其删除,原因是如果它存在,那么爬虫将不成功  
  •         shutil.rmtree(websitefilepath)#shutil.rmtree函数用于删除文件夹(其中含有文件)  
  •     outputfilepath = os.path.abspath('.')+'/'+'output.txt'#在当前文件夹下创建一个过渡性质的文件output.txt  
  •     fobj = open(outputfilepath,'w+')  
  •     command = 'wget -r -m -nv –reject='+REJECT_FILETYPE+' -o '+outputfilepath+' '+url#利用wget命令爬取网站  
  •     tmp0 = os.popen(command).readlines()#函数os.popen执行命令并且将运行结果存储在变量tmp0中  
  •     print >> fobj,tmp0#写入output.txt中  
  •     allinfo = fobj.read()  
  •     target_url = re.compile(r'\".*?\"',re.DOTALL).findall(allinfo)#通过正则表达式筛选出得到的网址  
  •     target_num = len(target_url)  
  •     fobj1 = open('result.txt','w')#在本目录下创建一个result.txt文件,里面存储最终得到的内容  
  •     for i in range(target_num):  
  •         print >> fobj1,target_url[i][1:-1]  
  •     fobj.close()  
  •     fobj1.close()  
  •     if os.path.exists(outputfilepath):#将过渡文件output.txt删除  
  •         os.remove(outputfilepath)#os.remove用于删除文件  
  •   
  • if __name__=="__main__":  
  •     webaddress = raw_input("Input the Website Address(without \"http:\")>")  
  •     getinfo(webaddress)  
  •     print "Well Done."#代码执行完毕之后打印此提示信息 
  • 神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

    相关文章:

    版权声明:Python教程2022-10-25发表,共计1787字。
    新手QQ群:570568346,欢迎进群讨论 Python51学习