码迷,mamicode.com
首页 > 其他好文 > 详细

爬虫入门笔记

时间:2017-07-29 16:37:40      阅读:159      评论:0      收藏:0      [点我收藏+]

标签:while   通过   type   set   蜘蛛   pre   not   html   deque   

爬虫,在网络中爬行的一只蜘蛛,如遇到资源,就会按指定的规则抓取下来

爬虫爬取HTML代码后,通过分析和过滤这些HTML代码,实现对图片,文字等资源的获取

URL的格式由三部分组成:

  1、第一部分是协议

  2、第二部分是存储该资源的主机IP和端口

  3、第三部分是资源的具体地址,如目录和文件名

爬虫爬取数据时必须有一个目标URL才可以获取数据,因此,它是爬虫获取数据根本

import re
import urllib.request
import urllib

from collections import deque

queue = deque()
visited = set()

url = ‘https://jecvay.com/‘

queue.append(url)
cnt = 0

while queue:
    url = queue.pop()
    visited.add(url)

    print(‘Count: ‘ + str(cnt) + ‘ visiting <--- ‘ + url)
    cnt += 1
    urlop = urllib.request.urlopen(url)
    if ‘html‘ not in urlop.getheader(‘Content-Type‘):
        continue

    try:
        data = urlop.read().decode(‘utf-8‘)
    except:
        continue

    linkre = re.compile(r‘href="(.+?)"‘)
    
    for x in linkre.findall(data):
        if ‘http‘ in x and x not in visited:
            queue.append(x)
            print(‘add---> ‘ + x)

 

爬虫入门笔记

标签:while   通过   type   set   蜘蛛   pre   not   html   deque   

原文地址:http://www.cnblogs.com/m2492565210/p/7251285.html

踩
(0)
赞
(0)
   
举报
评论 一句话评论(0)
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!