首页 > 代码库 > 宽度优先遍历爬虫的python实现
宽度优先遍历爬虫的python实现
网上很著名的一本爬虫教程《自己手动写网络爬虫》,该书所有源码是用java编写的,
其中提到了宽度优先遍历算法,闲来无事我把他用python实现了一遍。代码量少了将近一半,呵呵。
宽度优先算法介绍
参考:http://book.51cto.com/art/201012/236668.htm
整个的宽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。
表1.3显示了对图1.3所示的页面的爬取过程。
表1.3 网络爬取
TODO 表 |
Visited 表 |
A |
空 |
BCDEF |
A |
CDEF |
A,B |
DEF |
A,B,C |
续表
TODO 表 |
Visited 表 |
EF |
A,B,C,D |
FH |
A,B,C,D,E |
HG |
A,B,C,D,E,F |
GI |
A,B,C,D,E,F,H |
I |
A,B,C,D,E,F,H,G |
空 |
A,B,C,D,E,F,H,G,I |
宽度优先遍历是爬虫中使用最广泛的一种爬虫策略,之所以使用宽度优先搜索策略,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。而宽度优先遍历会以最快的速度到达这个网页。
宽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。
宽度优先遍历爬虫的python实现
- #encoding=utf-8
- from BeautifulSoup import BeautifulSoup
- import socket
- import urllib2
- import re
- class MyCrawler:
- def __init__(self,seeds):
- #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_count):
- #循环条件:待抓取的链接不空且专区的网页不多于crawl_count
- while self.linkQuence.unVisitedUrlsEnmpy() is False and self.linkQuence.getVisitedUrlCount()<=crawl_count:
- #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())
- #未访问的url入列
- for link in links:
- self.linkQuence.addUnvisitedUrl(link)
- print "%d unvisited links:"%len(self.linkQuence.getUnvisitedUrl())
- #获取源码中得超链接
- def getHyperLinks(self,url):
- links=[]
- data=http://www.mamicode.com/self.getPageSource(url)
- if data[0]=="200":
- soup=BeautifulSoup(data[1])
- a=soup.findAll("a",{"href":re.compile(".*")})
- 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)
- if coding is None:
- coding= response.headers.getparam("charset")
- if coding is None:
- page=response.read()
- else:
- page=response.read()
- page=page.decode(coding).encode(‘utf-8‘)
- return ["200",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_count):
- craw=MyCrawler(seeds)
- craw.crawling(seeds,crawl_count)
- if __name__=="__main__":
- main(["http://www.baidu.com","http://www.google.com.hk"],50)
宽度优先遍历爬虫的python实现