指定url和深度的广度优先算法爬虫的python实现

本文参考http://zoulc001.iteye.com/blog/1186996

广度优先算法介绍

　　整个的广度优先爬虫过程就是从一系列的种子节点开始，把这些网页中的"子节点"(也就是超链接)提取出来，放入队列中依次进行抓取。被处理过的链接需要放 入一张表(通常称为Visited表)中。每次新处理一个链接之前，需要查看这个链接是否已经存在于Visited表中。如果存在，证明链接已经处理过， 跳过，不做处理，否则进行下一步处理。

　　初始的URL地址是爬虫系统中提供的种子URL(一般在系统的配置文件中指定)。当解析这些种子URL所表示的网页时，会产生新的URL(比如从页面中的<a href= "http://www.admin.com "中提取出http://www.admin.com 这个链接)。然后，进行以下工作：

1. 把解析出的链接和Visited表中的链接进行比较，若Visited表中不存在此链接，表示其未被访问过。
2. 把链接放入TODO表中。
3. 处理完毕后，再次从TODO表中取得一条链接，直接放入Visited表中。
4. 针对这个链接所表示的网页，继续上述过程。如此循环往复。

广度优先遍历是爬虫中使用最广泛的一种爬虫策略，之所以使用广度优先搜索策略，主要原因有三点：

• 重要的网页往往离种子比较近，例如我们打开新闻网站的时候往往是最热门的新闻，随着不断的深入冲浪，所看到的网页的重要性越来越低。
• 万维网的实际深度最多能达到17层，但到达某个网页总存在一条很短的路径。而广度优先遍历会以最快的速度到达这个网页。
• 广度优先有利于多爬虫的合作抓取，多爬虫合作通常先抓取站内链接，抓取的封闭性很强。

广度优先遍历爬虫的python实现

 #encoding=utf-8
 from bs4 import BeautifulSoup
 import socket
 import urllib2
 import re
 import zlib

  class MyCrawler:
      def __init__(self,seeds):
          #初始化当前抓取的深度
          self.current_deepth = 1
          #使用种子初始化url队列
          self.linkQuence=linkQuence()
          if isinstance(seeds,str):
              self.linkQuence.addUnvisitedUrl(seeds)
          if isinstance(seeds,list):
              for i in seeds:
                  self.linkQuence.addUnvisitedUrl(i)
          print "Add the seeds url \"%s\" to the unvisited url list"%str(self.linkQuence.unVisited)
      #抓取过程主函数
      def crawling(self,seeds,crawl_deepth):
          #循环条件：抓取深度不超过crawl_deepth
          while self.current_deepth <= crawl_deepth:
              #循环条件：待抓取的链接不空
              while not self.linkQuence.unVisitedUrlsEnmpy():
                  #队头url出队列
                  visitUrl=self.linkQuence.unVisitedUrlDeQuence()
                  print "Pop out one url \"%s\" from unvisited url list"%visitUrl
                  if visitUrl is None or visitUrl=="":
                      continue
                  #获取超链接
                  links=self.getHyperLinks(visitUrl)
                  print "Get %d new links"%len(links)
                  #将url放入已访问的url中
                  self.linkQuence.addVisitedUrl(visitUrl)
                  print "Visited url count: "+str(self.linkQuence.getVisitedUrlCount())
                  print "Visited deepth: "+str(self.current_deepth)
              #未访问的url入列
              for link in links:
                  self.linkQuence.addUnvisitedUrl(link)
              print "%d unvisited links:"%len(self.linkQuence.getUnvisitedUrl())
              self.current_deepth += 1

      #获取源码中得超链接
      def getHyperLinks(self,url):
          links=[]
          data=self.getPageSource(url)
          if data[0]=="":
              soup=BeautifulSoup(data[1])
              a=soup.findAll("a",{"href":re.compile('^http|^/')})
              for i in a:
                  if i["href"].find("http://")!=-1:
                      links.append(i["href"])
          return links

      #获取网页源码
      def getPageSource(self,url,timeout=100,coding=None):
          try:
              socket.setdefaulttimeout(timeout)
              req = urllib2.Request(url)
              req.add_header('User-agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)')
              response = urllib2.urlopen(req)
              page = ''
              if response.headers.get('Content-Encoding') == 'gzip':
                  page = zlib.decompress(page, 16+zlib.MAX_WBITS) 

              if coding is None:
                  coding= response.headers.getparam("charset")
         　　#如果获取的网站编码为None
              if coding is None:
                  page=response.read()
         　　#获取网站编码并转化为utf-8
              else:
                  page=response.read()
                  page=page.decode(coding).encode('utf-8')
              return ["",page]
          except Exception,e:
              print str(e)
              return [str(e),None]

  class linkQuence:
      def __init__(self):
          #已访问的url集合
          self.visted=[]
          #待访问的url集合
          self.unVisited=[]
      #获取访问过的url队列
      def getVisitedUrl(self):
          return self.visted
      #获取未访问的url队列
      def getUnvisitedUrl(self):
          return self.unVisited
      #添加到访问过得url队列中
      def addVisitedUrl(self,url):
          self.visted.append(url)
      #移除访问过得url
      def removeVisitedUrl(self,url):
          self.visted.remove(url)
      #未访问过得url出队列
      def unVisitedUrlDeQuence(self):
          try:
              return self.unVisited.pop()
          except:
              return None
      #保证每个url只被访问一次
      def addUnvisitedUrl(self,url):
          if url!="" and url not in self.visted and url not in self.unVisited:
              self.unVisited.insert(0,url)
      #获得已访问的url数目
      def getVisitedUrlCount(self):
          return len(self.visted)
      #获得未访问的url数目
      def getUnvistedUrlCount(self):
          return len(self.unVisited)
      #判断未访问的url队列是否为空
      def unVisitedUrlsEnmpy(self):
          return len(self.unVisited)==0

  def main(seeds,crawl_deepth):
      craw=MyCrawler(seeds)
      craw.crawling(seeds,crawl_deepth)

  if __name__=="__main__":
      main(["http://www.baidu.com", "http://www.google.com.hk", "http://www.sina.com.cn"],10)