我的第一个python爬虫
我的第一个爬虫,哈哈,纯面向过程
实现目标:
1.抓取本地conf文件,其中的URL地址,然后抓取视频名称以及对应的下载URL
2.抓取URL会单独写在本地路径下,以便复制粘贴下载
废话补多少,代码实现效果如下:
代码如下:
#!/usr/local/python/bin/python3 import requests import re import chardet import random import signal import time import os import sys def DealwithURL(url): r = requests.get(url) pattern = re.compile('<meta http-equiv="refresh" content="0.1;url=') findurl=re.findall(pattern,r.text) if findurl: pattern = re.compile('<meta http-equiv="refresh" content="0.1;url=(.*)"') transferurl = re.findall(pattern,r.text)[0] return transferurl else : return True def GetNewURL(url): r = requests.get(url) r.encoding='utf-8' pattern = re.compile('alert(.*)">') findurl=re.findall(pattern,r.text) findurl_str = (" ".join(findurl)) return (findurl_str.split(' ',1)[0][2:]) def gettrueurl(url): if DealwithURL(url)==True: return url else : return GetNewURL(DealwithURL(url)) def SaveLocalUrl(untreatedurl,treatedurl): if untreatedurl == treatedurl : pass else : try: fileconf = open(r'main.conf','r') rewritestr = "" for readline in fileconf: if re.search(untreatedurl,readline): readline = re.sub(untreatedurl,treatedurl,readline) rewritestr = rewritestr + readline else : rewritestr = rewritestr + readline fileconf.close() fileconf = open(r'main.conf','w') fileconf.write(rewritestr) fileconf.close() except: print ("get new url but open files ng write to logs") def handler(signum,frame): raise AssertionError def WriteLocalDownloadURL(downfile,downurled2k): urlfile = open(downfile,'a+') urlfile.write(downurled2k+'\n') def GetDownloadURL(sourceurl,titleurl,titlename,update_file,headers): downurlstr = (" ".join(titleurl)) downnamestr = (" ".join(titlename)) r = requests.get((sourceurl+downurlstr),headers) pattern = re.compile('autocomplete="on">(.*)/</textarea></div>') downurled2k = re.findall(pattern,r.text) downurled2kstr = (" ".join(downurled2k)) WriteLocalDownloadURL(update_file , downurled2kstr) print (downnamestr , downurled2kstr) def ReadLocalFiles() : returndict={} localfiles = open(r'main.conf') readline = localfiles.readline().rstrip() while readline : if readline.startswith('#'): pass else: try: readline = readline.rstrip() returndict[readline.split('=')[0]] = readline.split('=')[1] except: print ("Please Check your conf %s" %(readline)) sys.exit(1) readline = localfiles.readline().rstrip() localfiles.close() return returndict def GetListURLinfo(sourceurl , title , getpagenumber , total,update_file,headers): if total >= 100: total = 100 if total <= 1: total = 2 getpagenumber = total for number in range(0,total) : try: signal.signal(signal.SIGALRM,handler) signal.alarm(3) url = sourceurl + title + '-' + str(random.randint(1,getpagenumber)) + '.html' r = requests.get(url,headers) pattern = re.compile('<div class="info"><h2>(.*)</a><em></em></h2>') r.encoding = chardet.detect(r.content)['encoding'] allurl = re.findall(pattern,r.text) for lineurl in allurl: try: signal.signal(signal.SIGALRM,handler) signal.alarm(3) pattern = re.compile('<a href="(.*)" title') titleurl = re.findall(pattern,lineurl) pattern = re.compile('title="(.*)" target=') titlename = re.findall(pattern,lineurl) GetDownloadURL(sourceurl,titleurl,titlename,update_file,headers) signal.alarm(0) except AssertionError: print (lineurl,titlename , "Timeout Error: the cmd 10s have not finished") continue # title = '/list/'+str(random.randint(1,8)) # print (title) # print (title_header) except AssertionError: print ("GetlistURL Infor Error") continue def GetTitleInfo(url,down_page,update_file,headers): title = '/list/'+str(random.randint(1,8)) titleurl = url + title + '.html' r = requests.get(titleurl,headers) r.encoding = chardet.detect(r.content)['encoding'] pattern = re.compile(' 当前:.*/(.*)页 ') getpagenumber = re.findall(pattern,r.text) getpagenumber = (" ".join(getpagenumber)) GetListURLinfo(url , title , int(getpagenumber) , int(down_page),update_file,headers) def write_logs(time,logs): loginfo = str(time)+logs try: logfile = open(r'logs','a+') logfile.write(loginfo) logfile.close() except: print ("Write logs error,code:154") def DeleteHisFiles(update_file): if os.path.isfile(update_file): try: download_files = open(update_file,'r+') download_files.truncate() download_files.close() except: print ("Delete " + update_file + "Error --code:166") else : print ("Build New downfiles") def main(): headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_5) AppleWebKit 537.36 (KHTML, like Gecko) Chrome","Accept": "text/html,application/xhtml+xml,application/xml; q=0.9,image/webp,*/*;q=0.8"} readconf = ReadLocalFiles() try: file_url = readconf['url'] down_page = readconf['download_page'] update_file = readconf['download_local_files'] except: print ("Get local conf error,please check it") sys.exit(-1) DeleteHisFiles(update_file) untreatedurl = file_url treatedurl = gettrueurl(untreatedurl) SaveLocalUrl(untreatedurl,treatedurl) url = treatedurl GetTitleInfo(url,int(down_page),update_file,headers) if __name__=="__main__": main()
对应的main.conf如下:
本着对爬虫的好奇来写下这些代码,如有对代码感兴趣的,可以私聊提供完整的conf信息,毕竟,我也是做运维的,要脸,从不用服务器下片。
我的第一个python爬虫的更多相关文章
- 一个python爬虫小程序
起因 深夜忽然想下载一点电子书来扩充一下kindle,就想起来python学得太浅,什么“装饰器”啊.“多线程”啊都没有学到. 想到廖雪峰大神的python教程很经典.很著名.就想找找有木有pdf版的 ...
- 记我的第一个python爬虫
捣鼓了两天,终于完成了一个小小的爬虫代码.现在才发现,曾经以为那么厉害的爬虫,在自己手里实现的时候,也不过如此.但是心里还是很高兴的. 其实一开始我是看的慕课上面的爬虫教学视屏,对着视屏的代码一行行的 ...
- 我的第一个Python爬虫——谈心得
2019年3月27日,继开学到现在以来,开了软件工程和信息系统设计,想来想去也没什么好的题目,干脆就想弄一个实用点的,于是产生了做“学生服务系统”想法.相信各大高校应该都有本校APP或超级课程表之类的 ...
- 一个Python爬虫工程师学习养成记
大数据的时代,网络爬虫已经成为了获取数据的一个重要手段. 但要学习好爬虫并没有那么简单.首先知识点和方向实在是太多了,它关系到了计算机网络.编程基础.前端开发.后端开发.App 开发与逆向.网络安全. ...
- 我的第一个 python 爬虫脚本
#!/usr/bin/env python# coding=utf-8import urllib2from bs4 import BeautifulSoup #res = urllib.urlopen ...
- 写一个python 爬虫爬取百度电影并存入mysql中
目标是利用python爬取百度搜索的电影 在类型 地区 年代各个标签下 电影的名字 评分 和图片连接 以及 电影连接 首先我们先在mysql中建表 create table liubo4( id in ...
- 第一个python爬虫程序
1.安装Python环境 官网https://www.python.org/下载与操作系统匹配的安装程序,安装并配置环境变量 2.IntelliJ Idea安装Python插件 我用的idea,在工具 ...
- 一个python爬虫工具类
写了一个爬虫工具类. # -*- coding: utf-8 -*- # @Time : 2018/8/7 16:29 # @Author : cxa # @File : utils.py # @So ...
- 我的第一个python爬虫程序
程序用来爬取糗事百科上的图片的,程序设有超时功能,具有异常处理能力 下面直接上源码: #-*-coding:utf-8-*- ''' Created on 2016年10月20日 @author: a ...
随机推荐
- Java虚拟机------JVM内存区域
JVM内存区域运行时数据区域分为两种: JVM内存区域 运行时数据区域分为两种: 线程隔离的数据区: 程序计数器 Java虚拟机栈 本地方法栈 所有线程程共享的数据区: Java堆 方法区 JVM 内 ...
- 一入爬虫深似海,从此游戏是路人!总结我的python爬虫学习笔记!
前言 还记得是大学2年级的时候,偶然之间看到了学长在学习python:我就坐在旁边看他敲着代码,感觉很好奇.感觉很酷,从那之后,我就想和学长一样的厉害,就想让学长教我,请他吃了一周的饭,他答应了.从此 ...
- web服务器案例
HTTP 请求方式 GET 获取数据 POST 修改数据 PUT 保存数据 DELETE 删除 OPTI ...
- 安装grid时找不到ASM共享磁盘
1.安装ORACLE数据库集群软件grid时找不到共享磁盘,如下图: 2.网上找过有各种说法,但此处小编的解决方案是:通过重新安装软件:oracleasmlib-2.0.4-1.el6.x86_64. ...
- SpringBoot中常用注解@Controller/@RestController/@RequestMapping的区别
@Controller 处理http请求 @Controller //@ResponseBody public class HelloController { @RequestMapping(valu ...
- Github使用笔记——创建远程库
系统:CentOS7 一.yum install git 二.配置 git config --global user.name "XXX" git config -global u ...
- python大法好——Python 面向对象
Python 面向对象 Python从设计之初就已经是一门面向对象的语言,正因为如此,在Python中创建一个类和对象是很容易的. 面向对象技术简介 类(Class): 用来描述具有相同的属性和方法 ...
- 关于页面缩放时css错乱的处理方法---之一
这几天遇到一个问题,就是在做网页的时候,页面缩放时,布局就乱了,原来的样子不会跟随缩放的放大或者缩小进行改变,直接导致的后果,就是页面很难看,无法使用 之前虽然写了代码,但是一直没有注意到缩放后页面的 ...
- java 集合是否有序
参考:https://www.cnblogs.com/hoobey/p/5914226.html
- a链接的onclick与js中的return false
在学习<javascript基础教程>第八版时,有一个小细节开始不是很明白,查了一些资料后,理了一下思路. 例子的html代码: <!DOCTYPE html> <htm ...