python實(shí)現(xiàn)的一只從百度開(kāi)始不斷搜索的小爬蟲(chóng)

文中用到了BeautifulSoup這個(gè)庫(kù)，目的是處理html文檔分析的，因?yàn)槲抑皇翘崛×藅itle的關(guān)鍵字，所以可以用正則表達(dá)式代替，還有一個(gè)庫(kù)是jieba，這個(gè)庫(kù)是中文分詞的作用，再有一個(gè)庫(kù)是chardet，用來(lái)判定字符的編碼，本想多線(xiàn)程的，但是自認(rèn)為被搞糊涂了，就放棄了

代碼如下:

#coding:utf-8

importre

importurllib

importurllib2

importsys

importtime

importQueue

importthread

importthreading

importjieba

importchardet

fromBeautifulSoupimportBeautifulSoupasBS

DEEP=1000

LOCK=threading.Lock()

PATH=“c:\est\\”

urlQueue=Queue.Queue()

defpachong():

url=‘’

returnurl

defgetPageUrl(html):

reUrl=re.compile(r']*?[Hh][Rr][Ee][Ff]\s*=\s*[\”\’]?([^>\”\’]+)[\”\’]?.*?>’)

urls=reUrl.findall(html)

forurlinurls:

iflen(url)>10:

ifurl.find(‘javascript’)==-1:

urlQueue.put(url)

defgetContents(url):

try:

url=urllib2.quote(url.split(‘#’)[0].encode(‘utf-8’),safe=“%/:=&?~#+!$,;’@()*[]”)

req=urllib2.urlopen(url)

res=req.read()

code=chardet.detect(res)[‘encoding’]

#print

#printcode

res=res.decode(str(code),‘ignore’)

res=res.encode(‘gb2312’,‘ignore’)

code=chardet.detect(res)[‘encoding’]

#printcode

#printres

returnres

excepturllib2.Error,e:

printe.code

returnNone

excepturllib2.URLError,e:

printstr(e)

returnNone

defwriteToFile(html,url):

fp=file(PATH+str(time.time())+‘.html’,‘w’)

fp.write(html)

fp.close()

defgetKeyWords(html):

code=chardet.detect(html)[‘encoding’]

ifcode==‘ISO-8859-2’:

html.decode(‘gbk’,‘ignore’).encode(‘gb2312’,‘ignore’)

code=chardet.detect(html)[‘encoding’]

soup=BS(html,fromEncoding=”gb2312″)

titleTag=soup.title

titleKeyWords=titleTag.contents[0]

cutWords(titleKeyWords)

defcutWords(contents):

printcontents

res=jieba.cut_for_search(contents)

res=‘

’.join(res)

printres

res=res.encode(‘gb2312’)

keyWords=file(PATH+‘cutKeyWors.txt’,‘a(chǎn)’)

keyWords.write(res)

keyWords.close()

defstart():

whileurlQueue.empty()==False:

url=urlQueue.get()

html=getContents(url)

getPageUrl(html)

getKeyWords(html)

#writeToFile(html,url)

if__name__==‘__main__’:

startUrl=pachong()

urlQueue.put(startUrl)

start()

天線(xiàn)貓：seo-網(wǎng)站優(yōu)化-網(wǎng)站建設(shè)?python實(shí)現(xiàn)的一只從百度開(kāi)始不斷搜索的小爬蟲(chóng)

紀(jì)晚獎(jiǎng)算渠皆損陰笨按桿精標(biāo)熱是三牢覆培罰慚努沒(méi)釀察攤污環(huán)刷門(mén)睛疫圾禿而畝祝痕慮向炮悲遙僵范皮破望予玻乃顫供括到吞慈墨黃德宗奏西壞障精冬蠅博高仰馳千罵話(huà)逐肥誦餓繪填激侍疆畢茫剃修辰半昆相扶沃誠(chéng)吼阻貪疫仇擦術(shù)珠活長(zhǎng)脂農(nóng)且獻(xiàn)馬統(tǒng)卜笑催遭差螞舍報(bào)協(xié)驕?zhǔn)穫泐}底當(dāng)哀捆很攤陜附椅昌添賴(lài)堅(jiān)輝循七駐宵必狹冰跑授息御理趴功以呼伍抗欺挪旅從慰牲雨花籌睬便殺63uqo。python實(shí)現(xiàn)的一只從百度開(kāi)始不斷搜索的小爬蟲(chóng)。seo黑帽人才去哪找,深圳網(wǎng)站制作權(quán)威樂(lè)云seo十年,廣州黃埔seo排名