python簡單爬蟲
[Python]代碼
import re import urllib import urllib.request from collections import deque queue = deque()#存放待爬取的網址 visited = set()#存放爬取過的網址。判斷是否爬取過 url = "http://news.dbanotes.net"#入口網站 queue.append(url) count = 1 while queue: url = queue.popleft()#刪除已經爬取過的隊首的網址url visited |= {url}#把已經爬取過的頁面放入set中,方便下面的判斷 urlop = urllib.request.urlopen(url) if 'html' not in urlop.getheader('Content-Type'): continue#如果是html再繼續爬取 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("加入隊列:" + x)
本文由用戶 LueOsburn 自行上傳分享,僅供網友學習交流。所有權歸原作者,若您的權利被侵害,請聯系管理員。
轉載本站原創文章,請注明出處,并保留原始鏈接、圖片水印。
本站是一個以用戶分享為主的開源技術平臺,歡迎各類分享!