Python爬虫:爬取资源站点列表

简介:

发现某站点文章很多,爬取所有文章名和链接,并保存在txt文档中,方便后续查看


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
#!/usr/bin/python
# -*- coding: UTF-8 -*-
 
import  urllib,urllib2,re,requests
import  sys
reload (sys)
sys.setdefaultencoding( 'utf-8' )
 
domain  =  [ 'http://linux.linuxidc.com/' ]
name_url  =  []  #一级页面url name
name_url2  =  []  #二级页面url name
name_url3  =  []  #三级页面url name
name_url4  =  []  #四级页面url name
 
def  get():
     hd  =  { "User-Agent" : "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36" }
     url  =  'http://linux.linuxidc.com/index.php'
     html  =  requests.get(url,headers = hd).text
     #print html
     url_content  =  re. compile (r '(<div style="float:left;width:410px"><img src="linuxconf/icons/folder.png"> <a href=".*?">.*?</a></div>)' ,re.S)  #编译
     url_contents  =  re.findall(url_content,html)  #匹配页面
     #print url_contents
     for  in  url_contents:
         url_reg  =  re. compile (r '<a href="(.*?)">' )    #过滤资料链接
         name_reg  =  re. compile (r '<a href=".*?">(.*?)</a></div>' )   #过滤资料名称
         url_items  =  re.findall(url_reg,i)
         name_items  =  re.findall(name_reg,i)
         #print name_items[0]
         #拼接地址链接
         url  =  domain  +  url_items
         url_items  =  [''.join(url)]
         #print url_items[0]
         for  i,v  in  zip (name_items,url_items):
             name_url.append([i,v])
             #print i,v
 
     for  in  name_url:  #j[0]=name j[1]=url
         if  j[ 1 = =  'http://linux.linuxidc.com/index.php?folder=cHVi' :   #忽略pub目录
             continue
         elif  j[ 1 = =  'http://linux.linuxidc.com/index.php?folder=MjAxMcTq18rBzw==' :   # 忽略2011资料目录
             continue
         else :   #获取其他目录
             #print i[0]
             html2  =  requests.get(j[ 1 ], headers = hd).text
             # print html2
             url_content2  =  re. compile (r '(<div style="float:left;width:410px"><img src="linuxconf/icons/folder.png"> <a href=".*?">.*?</a></div>)' ,re.S)   # 编译
             url_contents2  =  re.findall(url_content, html2)   # 匹配二级页面
             #print url_contents2
             for  in  url_contents2:
                 url_reg2  =  re. compile (r '<a href="(.*?)">' )   # 过滤二级页面资料链接
                 name_reg2  =  re. compile (r '<a href=".*?">(.*?)</a></div>' )   # 过滤二级页面资料名称
                 url_items2  =  re.findall(url_reg2, p)
                 name_items2  =  re.findall(name_reg2, p)
                 #print name_items2,url_items2
                 #拼接地址链接
                 url2  =  domain  +  url_items2
                 url_items2  =  [''.join(url2)]
                 #print name_items2[0],url_items2[0]
                 for  m,n  in  zip (name_items2,url_items2):
                     name_url2.append([m,n])
                     #print m,n
 
     for  in  name_url2:  #k[0]=name k[1]=url
         html3  =  requests.get(k[ 1 ], headers = hd).text
         #print html3
         url_content3  =  re. compile (r '(<div style="float:left;width:410px"><img src="linuxconf/icons/folder.png"> <a href=".*?">.*?</a></div>)' ,re.S)   # 编译
         url_contents3  =  re.findall(url_content3,html3)   #匹配三级页面
         #print url_contents3
         for  in  url_contents3:
             url_reg3  =  re. compile (r '<a href="(.*?)">' )   #过滤三级页面资料链接
             name_reg3  =  re. compile (r '<a href=".*?">(.*?)</a></div>' )   # 过滤三级页面资料名称
             url_items3  =  re.findall(url_reg3, p)
             name_items3  =  re.findall(name_reg3, p)
             #print name_items3,url_items3
             # 拼接地址链接
             url3  =  domain  +  url_items3
             url_items3  =  [''.join(url3)]
             #print name_items3[0],url_items3[0]
             for  m, n  in  zip (name_items3, url_items3):
                 name_url3.append([m, n])
                 #print m,n
 
     for  in  name_url3:  #l[0]=name l[1]=url
         html4  =  requests.get(l[ 1 ],headers = hd).text
         #print html4
         url_content4  =  re. compile (r '(<div style="float:left;width:410px"><img src="linuxconf/icons/folder.png"> <a href=".*?">.*?</a></div>)' ,re.S)   # 编译
         url_contents4  =  re.findall(url_content4, html4)   # 匹配四级页面
         # print url_contents4
         for  in  url_contents4:
             url_reg4  =  re. compile (r '<a href="(.*?)">' )   # 过滤四级页面资料链接
             name_reg4  =  re. compile (r '<a href=".*?">(.*?)</a></div>' )   # 过滤四级页面资料名称
             url_items4  =  re.findall(url_reg4, p)
             name_items4  =  re.findall(name_reg4, p)
             # print name_items4,url_items4
             # 拼接地址链接
             url4  =  domain  +  url_items4
             url_items4  =  [''.join(url4)]
             # print name_items4[0],url_items4[0]
             for  m, n  in  zip (name_items4, url_items4):
                 name_url4.append([m, n])
                 =  open ( 'get_list.txt' , 'a+' )
                 print  "正在保存--%s"  % m
                 print  >> f, "%s,%s"  % (m,n)
 
 
if  __name__  = =  "__main__" :
     get()


执行过程:

wKioL1knnz3DXDghAAIqKNvtVqo301.png


在脚本文件同路径下会生成保存的文件:

wKioL1knn3ORgG1cAAAu7WUhq-0805.png


文件内容:文章标题,文章链接

wKioL1knn8DQZtLxAAKXTMCPrNM322.png




报错:

requests.exceptions.ConnectionError: HTTPConnectionPool(host='linux.linuxidc.com', port=80): Max retries exceeded with url: /index.php?folder=MjAxN8Tq18rBzy8z1MIvMjXI1Q== (Caused by NewConnectionError('<requests.packages.urllib3.connection.HTTPConnection object at 0x0000000002B6D198>: Failed to establish a new connection: [Errno 10060] ',))

原因:http连接太多没有关闭导致

解决:使用requests的session客户端模式和保持长连接的状态

1
2
3
4
5
#定义
request  =  requests.Session()
 
#代码中全部替换为
html  =  request.get(url,headers = hd).text


报错参考:http://xiaorui.cc/2015/12/22/%E5%A4%9A%E8%BF%9B%E7%A8%8B%E4%B8%8B%E7%94%A8requests%E8%AE%BF%E9%97%AEhttp-api%E6%97%B6%E9%81%87%E5%88%B0%E7%9A%84%E5%9D%91/






      本文转自M四月天 51CTO博客,原文链接:http://blog.51cto.com/msiyuetian/1929710,如需转载请自行联系原作者





相关文章
|
8月前
|
数据采集 Web App开发 数据安全/隐私保护
实战:Python爬虫如何模拟登录与维持会话状态
实战:Python爬虫如何模拟登录与维持会话状态
|
9月前
|
数据采集 Web App开发 自然语言处理
新闻热点一目了然:Python爬虫数据可视化
新闻热点一目了然:Python爬虫数据可视化
|
10月前
|
数据采集 数据挖掘 测试技术
Go与Python爬虫实战对比:从开发效率到性能瓶颈的深度解析
本文对比了Python与Go在爬虫开发中的特点。Python凭借Scrapy等框架在开发效率和易用性上占优,适合快速开发与中小型项目;而Go凭借高并发和高性能优势,适用于大规模、长期运行的爬虫服务。文章通过代码示例和性能测试,分析了两者在并发能力、错误处理、部署维护等方面的差异,并探讨了未来融合发展的趋势。
1016 0
|
8月前
|
数据采集 监控 数据库
Python异步编程实战:爬虫案例
🌟 蒋星熠Jaxonic,代码为舟的星际旅人。从回调地狱到async/await协程天堂,亲历Python异步编程演进。分享高性能爬虫、数据库异步操作、限流监控等实战经验,助你驾驭并发,在二进制星河中谱写极客诗篇。
Python异步编程实战:爬虫案例
|
9月前
|
数据采集 存储 XML
Python爬虫技术:从基础到实战的完整教程
最后强调: 父母法律法规限制下进行网络抓取活动; 不得侵犯他人版权隐私利益; 同时也要注意个人安全防止泄露敏感信息.
1055 19
|
8月前
|
数据采集 存储 JSON
Python爬虫常见陷阱:Ajax动态生成内容的URL去重与数据拼接
Python爬虫常见陷阱:Ajax动态生成内容的URL去重与数据拼接
|
9月前
|
数据采集 存储 Web App开发
处理Cookie和Session:让Python爬虫保持连贯的"身份"
处理Cookie和Session:让Python爬虫保持连贯的"身份"
|
8月前
|
数据采集 存储 JavaScript
解析Python爬虫中的Cookies和Session管理
Cookies与Session是Python爬虫中实现状态保持的核心。Cookies由服务器发送、客户端存储,用于标识用户;Session则通过唯一ID在服务端记录会话信息。二者协同实现登录模拟与数据持久化。
|
10月前
|
数据采集 存储 JSON
地区电影市场分析:用Python爬虫抓取猫眼/灯塔专业版各地区票房
地区电影市场分析:用Python爬虫抓取猫眼/灯塔专业版各地区票房
|
9月前
|
数据采集 Web App开发 前端开发
处理动态Token:Python爬虫应对AJAX授权请求的策略
处理动态Token:Python爬虫应对AJAX授权请求的策略

推荐镜像

更多