用python编写网络爬虫.doc

刚刚开了一个计算机网络的课，觉得很有用。正好师兄让我练习编写一个能下载网站网页的程序，正好能用上课上的知识了。为了想作一个效率不差的，而下载网页的性能瓶颈是在网络上，所有决定用Python编写代码。刚学python没几天，学习一种语言的最好方法就是写code.下面的是我用的多线程实现的网络爬虫，并用py2exe生成了一个exe，自身觉得py2exe不太好，又不会更好的，只能. 这是我这些天的成果。希望有人能提出好的建议，先谢谢了！一共两个文件，一个是toolbox_insight.py，是一个工具文件另一个是test.py，是一个用到toolbox_insight.py中工具的测试文件 #FileName: toolbox_insight.pyfrom sgmllib import SGMLParserimport threadingimport timeimport urllib2import StringIOimport gzipimport stringimport os#rewrite SGMLParser for start_aclass Basegeturls(SGMLParser): #这个Basegeturls类作用是分析下载的网页，把网页中的所有链接放在self.url中。 def reset(self): self.url = SGMLParser.reset(self) def start_a(self, attrs): href = v for k, v in attrs if k = href if href: self.url.extend(href)#for quickly findingclass Newlist(list):#这个类其实是一个添加了find方法的LIST。当num变量在LIST中，返回True,当不在LIST中，返回False并把num按二分法插入LIST中 def find(self, num): l = len(self) first = 0 end = l - 1 mid = 0 if l = 0: self.insert(0,num) return False while first selfmid: first = mid + 1 elif num num: self.insert(first, num) return False elif selffirst end: self.insert(first, num) return False else: return True#下面的reptile顾名思义是一个爬虫 class reptile(threading.Thread): #Name: 是爬虫是名字，queue是任务队列，所有的爬虫共用同一个任务队列 #从中取出一个任务项进行运行，每个任务项是一个要下载网页的URL #result: 也是一个队列，将下载的网页中包含的URL放入该队列中 #inittime: 在本程序中没有用，只是一个为了以后扩展用的 #downloadway:是下载的网页存放的路径 #configfile: 是配置文件，存放网页的URL和下载下后的路径 #maxnum: 每个爬虫有个最大下载量，当下载了这么多网页后，爬虫dead def _init_(self, Name, queue, result, Flcok, inittime = 0.00001, downloadway = D:bbs,configfile = D:bbsconf.txt, maxnum = 10000): threading.Thread._init_(self, name = Name) self.queue = queue self.result = result self.Flcok = Flcok self.inittime = inittime self.mainway = downloadway self.configfile = configfile self.num = 0 #已下载的网页个数 self.maxnum = maxnum os.makedirs(downloadway + self.getName() #系统调用：在存放网页的文件夹中创建一个以该爬虫name为名字的文件夹 self.way = downloadway + self.getName() + def run(self): opener = urllib2.build_opener() #创建一个开启器 while True: url = self.queue.get() #从队列中取一个URL if url = None: #当取得一个None后表示爬虫结束工作，用于外部方便控制爬虫的生命期 break parser = Basegeturls() #创建一个网页分析器 request = urllib2.Request(url) #网页请求 request.add_header(Accept-encoding, gzip)#下载的方式是gzip压缩后的网页，gzip是大多数服务器支持的一种格式 try: #这样可以减轻网络压力 page = opener.open(request)#发送请求报文 if page.code = 200: #当请求成功 predata = page.read() #下载gzip格式的网页 pdata = StringIO.StringIO(predata)#下面6行是实现解压缩 gzipper = gzip.GzipFile(fileobj = pdata) try: data = gzipper.read() except(IOError): print unused gzip data = predata#当有的服务器不支持gzip格式，那么下载的就是网页本身 try: parser.feed(data)#分析网页 except: print I am here#有的网页分析不了，如整个网页就是一个图片 for item in parser.url: self.result.put(item)#分析后的URL放入队列中 way = self.way + str(self.num) + .html#下面的是网页的保存，不多说了 self.num += 1 file = open(way, w) file.write(data) file.close() self.Flcok.acquire() confile = open(self.configfile, a) confile.write( way + + url + n) confile.close() self.Flcok.release() page.close() if self.num = self.maxnum:#达到最大量后退出 break except: print end error#和爬虫一样是个线程类,作用是将爬虫中的result中存入的URL加以处理。只要同一个服务器的网页class proinsight(threading.Thread): def _init_(self, queue, list, homepage, inqueue): threading.Thread._init_(self) self.queue = queue#和爬虫中的result队列是同一个 self.list = list#是上面Newlist的对象 self.homepage = homepage#主页 self.inqueue = inqueue#处理完后的URL的去处 def run(self): length = len(self.homepage) while True: item = self.queue.get() if item = None: break if item0:4 = rn: item = item4: if item-1 = /: item = item:-1 if len(item) = len(http:/) and item0:7 = http:/: if len(item) = length and item0:length = self.homepage: if self.list.find(item) = False: self.inqueue.put(item) elif item0:5 = /java or item0:4 = java: pass else: if item0 != /: item = / + item item = self.homepage + item if self.list.find(item) = False: self.inqueue.put(item)下面的是一个主函数过程我下载的网站是开始网页是/mainpage.php#FileName:testfrom toolbox_insight import *from Queue import Queueimport threadingimport sysnum = int(raw_input(Enter the number of thread:)pnum = int(raw_input(Enter the number of download pages:)mainpage = str(raw_input(The mainpage:)startpage = str(raw_input(Start page:)queue = Queue()key = Queue()inqueue = Queue()list = Newlist()thlist = Flock = threading.RLock()for i in range(num): th = reptile(th + str(i), queue, key, Flock) thlist.append(th)pro = proinsight(key, list, mainpage, inqueue)pro.start()for