LSA 发表于 2017-4-9 13:08

python采集百度url

最近用python写了一个采集百度url的脚本,一个线程一次爬一个页面的全部url,使用了多线程、队列、bs4,感觉bs4挺强大。
功能描述:采集百度url,自定义页数,线程数,关键词,保存文件名
脚本还有许多要完善的地方,有空我再写个v2.0版本。
(注:此脚本使用线程数小于或等于页面数即可,由于使用了队列,即使线程数大于页面数效果也和等于页面数一样)

照例先上效果图:



由于是单文件,我就不打包了,有需要的直接复制源代码吧,多谢支持!


源代码:
#coding: utf-8

import requests,re,threading,time
from bs4 import BeautifulSoup as bs
from Queue import Queue
from argparse import ArgumentParser


arg = ArgumentParser(description='baidu_url_collection')
arg.add_argument('keyword',help='inurl:.asp?id=1')
arg.add_argument('-p', '--page', help='page count', dest='pagecount', type=int)
arg.add_argument('-t', '--thread', help='the thread_count', dest='thread_count', type=int, default=10)
arg.add_argument('-o', '--outfile', help='the file save result', dest='outfile', default='result.txt')
result = arg.parse_args()

headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)'}


class Bd_url(threading.Thread):
    def __init__(self, que):
      threading.Thread.__init__(self)
      self._que = que

   
    def run(self):
      while not self._que.empty():
            URL = self._que.get()
            try:
                self.bd_url_collect(URL)
            except Exception,e:
                print e
                pass

    def bd_url_collect(self, url):
      
      
            r = requests.get(url, headers=headers, timeout=5)

            soup = bs(r.content, 'lxml', from_encoding='utf-8')
            bqs = soup.find_all(name='a', attrs={'data-click':re.compile(r'.'), 'class':None})
            for bq in bqs:

                r = requests.get(bq['href'], headers=headers, timeout=5)
                if r.status_code == 200:
                  print r.url
      
                  with open(result.outfile, 'a') as f:
                        f.write(r.url + '\n')
                  
            


def main():
    thread = []
    thread_count = result.thread_count
    que = Queue()
    for i in range(0,(result.pagecount)):
      que.put('https://www.baidu.com/s?wd=' + result.keyword + '&pn=' + str(i))
   
    for i in range(thread_count):
      thread.append(Bd_url(que))
      
    for i in thread:
      i.start()
      
    for i in thread:
      i.join()



if __name__ == '__main__':

    start = time.clock()
    main()
    end = time.clock()

    urlcount = len(open(result.outfile,'rU').readlines())

   
    with open(result.outfile, 'a') as f:
      f.write('--------use time:' + str(end-start) + '-----total url: ' + str(urlcount) + '----------------')
      
   
    print "total url: " + str(urlcount)
    print str(end - start) + "s"

    f.close()

rxxcy 发表于 2017-4-9 13:16

人生苦短?

谁家萤火虫 发表于 2017-4-9 13:23

快用python

华爷 发表于 2017-4-9 14:04

{:1_921:}厉害了我的哥,最近初入python,写爬虫,略遇到困难,正好借鉴一下。万分感谢。
页: [1]
查看完整版本: python采集百度url