python 写的一个爬虫程序源码分享

写爬虫是一项复杂、枯噪、反复的工作,考虑的问题包括采集效率、链路异常处理、数据质量(与站点编码规范关系很大)等。整理自己写一个爬虫程序,单台服务器可以启用1~8个实例同时采集,然后将数据入库。

#-*- coding:utf-8 -*-#!/usr/local/bin/pythonimport sys, time, os,stringimport mechanizeimport urlparsefrom BeautifulSoup import BeautifulSoupimport reimport MySQLdbimport loggingimport cgifrom optparse import OptionParser#----------------------------------------------------------------------------## Name:    TySpider.py                              ## Purpose:   WebSite Spider Module                     ## Author:   刘天斯                                   ## Email:    liutiansi@gamil.com                         ## Created:   2010/02/16                              ## Copyright:  (c) 2010                                ##----------------------------------------------------------------------------#"""|--------------------------------------------------------------------------| 定义 loging class;|--------------------------------------------------------------------------|| 功能:记录系统相关日志信息。| |"""class Pubclilog():  def __init__(self):    self.logfile = 'website_log.txt'  def iniLog(self):    logger = logging.getLogger()    filehandler = logging.FileHandler(self.logfile)    streamhandler = logging.StreamHandler()    fmt = logging.Formatter('%(asctime)s, %(funcName)s, %(message)s')    logger.setLevel(logging.DEBUG)     logger.addHandler(filehandler)     logger.addHandler(streamhandler)    return [logger,filehandler]"""|--------------------------------------------------------------------------| 定义 tySpider class;|--------------------------------------------------------------------------|| 功能:抓取分类、标题等信息| |"""class BaseTySpider:  #初始化相关成员方法  def __init__(self,X,log_switch):    #数据库连接    self.conn = MySQLdb.connect(db='dbname',host='192.168.0.10', user='dbuser',passwd='SDFlkj934y5jsdgfjh435',charset='utf8')    #分类及标题页面Community    self.CLASS_URL = 'http://test.abc.com/aa/CommTopicsPage?'    #发表回复页    self.Content_URL = 'http://test.bac.com/aa/CommMsgsPage?'    #开始comm值    self.X=X    #当前comm id取模,方面平均到表    self.mod=self.X%5    #Community文件下载页    self.body=""    #self.bodySoup对象    self.soup=None    #发表回复页下载内容变量    self.Contentbody=""    #发表回复页内容self.ContentbodySoup对象    self.Contentsoup=None    #日志开关    self.log_switch=log_switch  #======================获取名称及分类方法==========================  def _SpiderClass(self,nextpage=None):    if nextpage==None:      FIXED_QUERY = 'cmm='+str(self.X)    else:      FIXED_QUERY = nextpage[1:]    try:      rd = mechanize.Browser()      rd.addheaders = [("User-agent", "Tianya/2010 (compatible; MSIE 6.0;Windows NT 5.1)")]      rd.open(self.CLASS_URL + FIXED_QUERY)      self.body=rd.response().read()      #rd=mechanize.Request(self.CLASS_URL + FIXED_QUERY)      #response = mechanize.urlopen(rd)      #self.body=response.read()    except Exception,e:      if self.log_switch=="on":        logapp=Pubclilog()        logger,hdlr = logapp.iniLog()        logger.info(self.CLASS_URL + FIXED_QUERY+str(e))        hdlr.flush()        logger.removeHandler(hdlr)        return    self.soup = BeautifulSoup(self.body)    NextPageObj= self.soup("a", {'class' : re.compile("fs-paging-item fs-paging-next")})    self.cursor = self.conn.cursor()    if nextpage==None:      try:        Ttag=str(self.soup.table)        #print Ttag        """        ------------------分析结构体-----------------        

登录后复制                                    

Dunhill

                                      

                  中国 » 人民              

                                      “””        soupTable=BeautifulSoup(Ttag)        #定位到第一个h1标签        tableh1 = soupTable(“h1”)        #print self.X        #print “Name:”+tableh1[0].string.strip().encode(‘utf-8’)        #处理无类型的        try:          #定位到表格中符合规则“^TopByCategory”A链接块,tablea[0]为第一个符合条件的连接文字,tablea[1]…          tablea = soupTable(“a”, {‘href’ : re.compile(“^TopByCategory”)})          if tablea[0].string.strip()==””:            pass          #print “BigCLass:”+tablea[0].string.strip().encode(‘utf-8’)          #print “SubClass:”+tablea[1].string.strip().encode(‘utf-8’)        except Exception,e:          if self.log_switch==”on”:            logapp=Pubclilog()            logger,hdlr = logapp.iniLog()            logger.info(“[noClassInfo]”+str(self.X)+str(e))            hdlr.flush()            logger.removeHandler(hdlr)          self.cursor.execute(“insert into baname”+str(self.mod)+” values(‘%d’,’%d’,’%s’)” %(self.X,-1,tableh1[0].string.strip().encode(‘utf-8’)))          self.conn.commit()           self._SpiderTitle()          if NextPageObj:            NextPageURL=NextPageObj[0][‘href’]            self._SpiderClass(NextPageURL)            return          else:            return        #获取链接二对象的href值        classlink=tablea[1][‘href’]        par_dict=cgi.parse_qs(urlparse.urlparse(classlink).query)        #print “CID:”+par_dict[“cid”][0]        #print “SubCID:”+par_dict[“subcid”][0]        #print “—————————————”                #插入数据库        self.cursor.execute(“insert into class values(‘%d’,’%s’)” %(int(par_dict[“cid”][0]),tablea[0].string.strip().encode(‘utf-8’)))        self.cursor.execute(“insert into subclass values(‘%d’,’%d’,’%s’)” %(int(par_dict[“subcid”][0]),int(par_dict[“cid”][0]),tablea[1].string.strip().encode(‘utf-8’)))         self.cursor.execute(“insert into baname”+str(self.mod)+” values(‘%d’,’%d’,’%s’)” %(self.X,int(par_dict[“subcid”][0]),tableh1[0].string.strip().encode(‘utf-8’)))        self.conn.commit()                 self._SpiderTitle()        if NextPageObj:          NextPageURL=NextPageObj[0][‘href’]          self._SpiderClass(NextPageURL)        self.body=None        self.soup=None        Ttag=None        soupTable=None        table=None        table1=None        classlink=None        par_dict=None      except Exception,e:        if self.log_switch==”on”:          logapp=Pubclilog()          logger,hdlr = logapp.iniLog()          logger.info(“[ClassInfo]”+str(self.X)+str(e))          hdlr.flush()          logger.removeHandler(hdlr)    else:      self._SpiderTitle()      if NextPageObj:        NextPageURL=NextPageObj[0][‘href’]        self._SpiderClass(NextPageURL)  #====================获取标题方法=========================  def _SpiderTitle(self):    #查找标题表格对象(table)    soupTitleTable=self.soup(“table”, {‘class’ : “fs-topic-list”})        #查找标题行对象(tr)    TitleTr = soupTitleTable[0](“tr”, {‘onmouseover’ : re.compile(“^this.className=’fs-row-hover'”)})    “””    ———–分析结构体————–                  

                    【新人报到】欢迎美国人民加入                 0         /          12                    @@##@@                    中国人            2-14        “””    for CurrTr in TitleTr:      try:        #初始化置顶及精华状态        Title_starred=’N’        Title_sticky=’N’        #获取当前记录的BeautifulSoup对象        soupCurrTr=BeautifulSoup(str(CurrTr))        #BeautifulSoup分析HTML有误,只能通过span的标志数来获取贴子状态,会存在一定误差        #如只有精华时也会当成置顶来处理。        TitleStatus=soupCurrTr(“span”, {‘title’ : “”})        TitlePhotoViewer=soupCurrTr(“a”, {‘href’ : re.compile(“^PhotoViewer”)})        if TitlePhotoViewer.__len__()==1:          TitlePhotoViewerBool=0        else:          TitlePhotoViewerBool=1        if TitleStatus.__len__()==3-TitlePhotoViewerBool:          Title_starred=’Y’          Title_sticky=’Y’        elif TitleStatus.__len__()==2-TitlePhotoViewerBool:          Title_sticky=’Y’        #获取贴子标题        Title=soupCurrTr.a.next.strip()        #获取贴子ID        par_dict=cgi.parse_qs(urlparse.urlparse(soupCurrTr.a[‘href’]).query)        #获取回复数及浏览器        TitleNum=soupCurrTr(“td”, {‘class’ : “fs-topic-name”})        TitleArray=string.split(str(TitleNum[0]),”)        Title_ReplyNum=string.split(TitleArray[len(TitleArray)-4],’>’)[2]        Title_ViewNum=string.split(TitleArray[len(TitleArray)-2],’>’)[2][:-6]        #获取贴子作者        TitleAuthorObj=soupCurrTr(“td”, {‘style’ : “padding-left:4px”})        Title_Author=TitleAuthorObj[0].next.next.next.string.strip().encode(‘utf-8’)        #获取回复时间        TitleTime=soupCurrTr(“td”, {‘class’ : re.compile(“^fs-topic-last-mdfy fs-meta”)})        “””        print “X:”+str(self.X)        print “Title_starred:”+Title_starred        print “Title_sticky:”+Title_sticky        print “Title:”+Title        #获取贴子内容连接URL        print “Title_link:”+soupCurrTr.a[‘href’]        print “CID:”+par_dict[“tid”][0]        print “Title_ReplyNum:”+Title_ReplyNum        print “Title_ViewNum:”+Title_ViewNum        print “Title_Author:”+Title_Author        print “TitleTime:”+TitleTime[0].string.strip().encode(‘utf-8’)        “””        #入库        self.cursor.execute(“insert into Title”+str(self.mod)+” values(‘%s’,’%d’,’%s’,’%d’,’%d’,’%s’,’%s’,’%s’,’%s’)” %(par_dict[“tid”][0],                                      self.X,Title,int(Title_ReplyNum),int(Title_ViewNum),Title_starred,Title_sticky,                                      Title_Author.decode(‘utf-8’),TitleTime[0].string.strip().encode(‘utf-8′)))        self.conn.commit()        self._SpiderContent(par_dict[“tid”][0])      except Exception,e:        if self.log_switch==”on”:          logapp=Pubclilog()          logger,hdlr = logapp.iniLog()          logger.info(“[Title]”+str(self.X)+’-‘+par_dict[“tid”][0]+’-‘+str(e))          hdlr.flush()          logger.removeHandler(hdlr)  #======================获取发表及回复方法=======================  def _SpiderContent(self,ID,nextpage=None):    if nextpage==None:      FIXED_QUERY = ‘cmm=’+str(self.X)+’&tid=’+ID+’&ref=regulartopics’    else:      FIXED_QUERY = nextpage[9:]    rd = mechanize.Browser()    rd.addheaders = [(“User-agent”, “Tianya/2010 (compatible; MSIE 6.0;Windows NT 5.1)”)]    rd.open(self.Content_URL + FIXED_QUERY)    self.Contentbody=rd.response().read()    #rd=mechanize.Request(self.Content_URL + FIXED_QUERY)    #response = mechanize.urlopen(rd)    #self.Contentbody=response.read()    self.Contentsoup = BeautifulSoup(self.Contentbody)    NextPageObj= self.Contentsoup(“a”, {‘class’ : re.compile(“fs-paging-item fs-paging-next”)})    try:      Tp=self.Contentsoup(“p”, {‘class’ : “fs-user-action”})      i=0      for Currp in Tp:        if i==0:          Ctype=’Y’        else:          Ctype=’N’        #发表时间        soupCurrp=BeautifulSoup(str(Currp))        PosttimeObj=soupCurrp(“span”, {‘class’ : “fs-meta”})        Posttime=PosttimeObj[0].next[1:]        Posttime=Posttime[0:-3]        #IP地址        IPObj=soupCurrp(“a”, {‘href’ : re.compile(“CommMsgAddress”)})        if IPObj:          IP=IPObj[0].next.strip()        else:          IP=”        #发表/回复内容        ContentObj=soupCurrp(“p”, {‘class’ :”fs-user-action-body”})        Content=ContentObj[0].renderContents().strip()        “””        print “ID:”+str(self.X)        print “ID:”+ID        print “Ctype:”+Ctype        print “POSTTIME:”+Posttime        print “IP:”+IP        print “Content:”+Content        “””        self.cursor.execute(“insert into Content”+str(self.mod)+” values(‘%s’,’%d’,’%s’,’%s’,’%s’,’%s’)” %(ID,self.X,Ctype,Posttime,IP,Content.decode(‘utf-8′)))        self.conn.commit()         i+=1    except Exception,e:      if self.log_switch==”on”:        logapp=Pubclilog()        logger,hdlr = logapp.iniLog()        logger.info(“[Content]”+str(self.X)+’-‘+ID+’-‘+str(e))        hdlr.flush()        logger.removeHandler(hdlr)    #如“下一页”有链接刚继续遍历    if NextPageObj:      NextPageURL=NextPageObj[0][‘href’]      self._SpiderContent(ID,NextPageURL)  def __del__(self):    try:      self.cursor.close()      self.conn.close()    except Exception,e:      pass#遍历comm范围def initapp(StartValue,EndValue,log_switch):  for x in range(StartValue,EndValue):     app=BaseTySpider(x,log_switch)    app._SpiderClass()    app=Noneif __name__ == “__main__”:    #定义命令行参数  MSG_USAGE = “TySpider.py [ -s StartNumber EndNumber ] -l [on|off] [-v][-h]”  parser = OptionParser(MSG_USAGE)  parser.add_option(“-s”, “–set”, nargs=2,action=”store”,       dest=”comm_value”,      type=”int”,      default=False,       help=”配置名称ID值范围。”.decode(‘utf-8’))  parser.add_option(“-l”, “–log”, action=”store”,       dest=”log_switch”,      type=”string”,      default=”on”,       help=”错误日志开关”.decode(‘utf-8’))  parser.add_option(“-v”,”–version”, action=”store_true”, dest=”verbose”,      help=”显示版本信息”.decode(‘utf-8’))  opts, args = parser.parse_args()  if opts.comm_value:    if opts.comm_value[0]>opts.comm_value[1]:      print “终止值比起始值还小?”      exit();    if opts.log_switch==”on”:      log_switch=”on”    else:      log_switch=”off”    initapp(opts.comm_value[0],opts.comm_value[1],log_switch)    exit();  if opts.verbose:    print “WebSite Scider V1.0 beta.”    exit;

更多python 写的一个爬虫程序源码分享相关文章请关注PHP中文网!

python 写的一个爬虫程序源码分享

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至253000106@qq.com举报,一经查实,本站将立刻删除。

发布者:PHP中文网,转转请注明出处:https://www.chuangxiangniao.com/p/2277746.html

(0)
上一篇 2025年2月27日 16:16:24
下一篇 2025年2月27日 16:16:56

AD推荐 黄金广告位招租... 更多推荐

相关推荐

发表回复

登录后才能评论