运行python脚本,最终程序目录下会是这样:
result.txt中保存所有的URL
文件夹sh.neusoft.com中保存爬虫得到的所有网页
main.py的源代码如下
# -*- coding: utf-8 -*
import os
import re
import shutil
REJECT_FILETYPE = 'rar,7z,css,js,jpg,jpeg,gif,bmp,png,swf,exe'#定义爬虫过程中不下载的文件类型
def getinfo(webaddress):
global REJECT_FILETYPE
url = 'http://'+webaddress+'/'#通过用户输入的网址连接上网络协议,得到URL。
print 'Getting>>>>> '+url#打印提示信息,表示正在抓取网站
websitefilepath = os.path.abspath('.')+'/'+webaddress#通过函数os.path.abspath得到当前程序所在的绝对路径,然后搭配用户所输入的网址得到用于存储下载网页的文件夹
if os.path.exists(websitefilepath):#如果此文件夹已经存在就将其删除,原因是如果它存在,那么爬虫将不成功
shutil.rmtree(websitefilepath)#shutil.rmtree函数用于删除文件夹(其中含有文件)
outputfilepath = os.path.abspath('.')+'/'+'output.txt'#在当前文件夹下创建一个过渡性质的文件output.txt
fobj = open(outputfilepath,'w+')
command = 'wget -r -m -nv --reject='+REJECT_FILETYPE+' -o '+outputfilepath+' '+url#利用wget命令爬取网站
tmp0 = os.popen(command).readlines()#函数os.popen执行命令并且将运行结果存储在变量tmp0中
print >> fobj,tmp0#写入output.txt中
allinfo = fobj.read()
target_url = re.compile(r'\".*?\"',re.DOTALL).findall(allinfo)#通过正则表达式筛选出得到的网址
target_num = len(target_url)
fobj1 = open('result.txt','w')#在本目录下创建一个result.txt文件,里面存储最终得到的内容
for i in range(target_num):
print >> fobj1,target_url[i][1:-1]
fobj.close()
fobj1.close()
if os.path.exists(outputfilepath):#将过渡文件output.txt删除
os.remove(outputfilepath)#os.remove用于删除文件
if __name__=="__main__":
webaddress = raw_input("Input the Website Address(without \"http:\")>")
getinfo(webaddress)
print "Well Done."#代码执行完毕之后打印此提示信息