随手用python写一个下载源码爬虫试试

时间：2018-08-02 15:59:47 阅读：147 评论：0 收藏：0 [点我收藏+]

标签：集合 import jdk8 continue info href ++ unicode split

　　最近在研读jdk源码，网上找了下资源，发现都不完整。

　　后来新发现了一个有完整源码的地方，主要包括了java,c,c++的东西，装逼需要，就想拿来玩玩。但是，找了好多种下载打开的方式，发现都不对。于是，我随手写了python爬虫，把他搞定。

1. 思路分析

　　1.1. 目标地址：http://hg.openjdk.java.net/jdk8u/jdk8u/jdk/file/dddb1b026323/，打开后先自己看下，是否符合自己的需求；

　　1.2. 分析此结构下主要有两种形式，一是目录文件，二是最终文件，特征明显，可区分出最终结果；

　　1.3. 目录深度不确定，很自然地想到了递归；

　　1.4. 查询有效目录，很自然地想到了正则表达式；

　　1.5. 基于可能有中断的情况，可能需要进行断点下载，因此考虑加个简单的跳过功能；

　　1.6. 考虑可能出现重复下载某文件或目录的情况，耗费资源，因此加一个全局文件集，进行去重处理；

　　1.7. 由于该文件目录很规律，就直接沿用其目录结构了；

　　1.8. 考虑到本机环境可能不稳定，于是利用公司测试环境服务器；

　　1.9. 开工！

2. 鲁棒的代码来一波

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import urllib,urllib2
import re
import os
import HTMLParser
dirbase = ‘/tmp‘
urlbase = ‘http://hg.openjdk.java.net‘
url= urlbase + ‘/jdk8u/jdk8u/jdk/file/dddb1b026323/src‘
# 标识用于跳过目录至xx，以达到按需下载
skip_to_p = ‘‘
# 辅助跳过标识
skip_find = False;
textmod ={‘user‘:‘amei‘}
textmod = urllib.urlencode(textmod)
print(url)
req = urllib2.Request(url = ‘%s%s%s‘ % (url,‘?‘,textmod))
res = urllib2.urlopen(req)
res = res.read()
# 全局已搜寻过的文件集合，防重入
allflist = []

# 1. 找到content的表单，2. 找出有效的地址链接
table=re.findall(r‘<tbody class="stripes2">(.+)<\/tbody>‘,res, re.S)
harr = re.findall(r‘href="(/jdk8u[\w\/\._]+)">(?!\[up\])‘, table[0])

def down_src_recursion(harr):
  global allflist,skip_find;
  if(not harr):
    return False;
  i=0; arrlen = len(harr)
  print("in new dir cur...")
  if(len(allflist) > 1500):
     print(‘over 1500, cut to 800 exists...‘)
     allflist = allflist[-800:]
  for alink in harr:
    i += 1;
    # 对最后一个目录符号去除，防止无用的扫描
    alink = alink.rstrip(‘/‘)
    if(skip_to_p and not skip_find):
    if(alink != skip_to_p):
      print(‘skip file, cause no find..., skip=%s,now=%s‘ % (skip_to_p, alink))
      continue;
    else:
      skip_find = True;
    if(alink in allflist):
      print(‘目录已搜寻过:‘ + alink)
      continue;
    pa = dirbase + alink
    if(os.path.isfile(pa)):
      print(‘文件已存在，无需下载: ‘ + pa)
      continue;
    reqt = urllib2.Request(urlbase + alink)
    rest = urllib2.urlopen(reqt)
    rest = rest.read()
    allflist.append(alink)
    if(rest.find(‘class="sourcefirst"‘) > 0):
       print(‘这是个资源文件:%s         %d/%d‘ % (alink, i, arrlen))
       filename = alink.split(‘/‘)[-1]
       linearr = re.findall(r‘<span id=".+">(.+)</span>‘, rest)
       fileObject = open(dirbase + alink, ‘w‘)
       for line in linearr:
          try:
            # 文件存在特殊的html标识符，需要转换，但由于有非标准语言存在，可能抛出异常，需捕获
            line = HTMLParser.HTMLParser().unescape(line)
          except UnicodeDecodeError as e:
            print(‘oops, ascii convert error accour:‘, e)
          fileObject.write(line + ‘\r\n‘)
       fileObject.close()
 
    else:
      print(‘这是目录:%s        %d/%d‘ % (alink, i, arrlen))
      if(not os.path.exists(pa)):
         print(‘创建目录:%s‘ % alink)
         os.makedirs(‘/tmp‘ + alink, mode=0777)
      ta=re.findall(r‘<tbody class="stripes2">(.+)<\/tbody>‘,rest, re.S)
      ha = re.findall(r‘href="(/jdk8u[\w\/\._]+)">(?!\[up\])‘, ta[0])
      down_src_recursion(ha)

# go...
down_src_recursion(harr);