码迷,mamicode.com
首页 > 编程语言 > 详细

python爬虫(五)--爬虫程序的开始

时间:2015-08-04 17:29:13      阅读:128      评论:0      收藏:0      [点我收藏+]

标签:

import re
import urllib
import urllib.request
from collections import deque
queue = deque()#存放待爬取的网址
visited = set()#存放爬取过的网址。判断是否爬取过
url = "http://news.dbanotes.net"#入口网站
queue.append(url)
count = 1
while queue:
    url = queue.popleft()#删除已经爬取过的队首的网址url
    visited |= {url}#把已经爬取过的页面放入set中,方便下面的判断
    urlop = urllib.request.urlopen(url)
    if ‘html‘ not in urlop.getheader(‘Content-Type‘):
        continue#如果是html再继续爬取
    try:
        data = urlop.read().decode(‘utf-8‘)
    except:
        continue
    value = re.findall(r‘href="(.+?)"‘,data)
    for x in value:
        if ‘http‘ in x and x not in visited:
            print("加入队列:" + x)

钟志远  江苏南京  904727147

python爬虫(五)--爬虫程序的开始

标签:

原文地址:http://my.oschina.net/u/2391943/blog/487567

(0)
(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!