吾爱破解 - 52pojie.cn

 找回密码
 注册[Register]

QQ登录

只需一步,快速开始

查看: 6528|回复: 3
收起左侧

[Python 原创] python采集百度url

[复制链接]
LSA 发表于 2017-4-9 13:08
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:

bdurl1

bdurl1

bdurl2

bdurl2


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:
[Python] 纯文本查看 复制代码
#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()


免费评分

参与人数 3吾爱币 +3 热心值 +3 收起 理由
xiaobinzhan + 1 + 1 热心回复!
sunchuyang + 1 + 1 谢谢@Thanks!
cwcauc + 1 + 1 热心回复!

查看全部评分

发帖前要善用论坛搜索功能,那里可能会有你要找的答案或者已经有人发布过相同内容了,请勿重复发帖。

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
华爷 发表于 2017-4-9 14:04
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。
您需要登录后才可以回帖 登录 | 注册[Register]

本版积分规则

返回列表

RSS订阅|小黑屋|处罚记录|联系我们|吾爱破解 - LCG - LSG ( 京ICP备16042023号 | 京公网安备 11010502030087号 )

GMT+8, 2024-11-27 03:13

Powered by Discuz!

Copyright © 2001-2020, Tencent Cloud.

快速回复 返回顶部 返回列表