首页 > 代码库 > 实现一个简单的邮箱地址爬虫(python)
实现一个简单的邮箱地址爬虫(python)
我经常收到关于email爬虫的问题。有迹象表明那些想从网页上抓取联系方式的人对这个问题很感兴趣。在这篇文章里,我想演示一下如何使用python实现一个简单的邮箱爬虫。这个爬虫很简单,但从这个例子中你可以学到许多东西(尤其是当你想做一个新虫的时候)。
我特意简化了代码,尽可能的把主要思路表达清楚。这样你就可以在需要的时候加上自己的功能。虽然很简单,但完整的实现从网上抓取email地址的功能。注意,本文的代码是使用python3写的。
好。让我们逐步深入吧。我一点一点的实现,并加上注释。最后再把完整的代码贴出来。
首先引入所有必要的库。在这个例子中,我们使用的BeautifulSoup 和 Requests 是第三方库,urllib, collections 和 re 是内置库。
BeaufulSoup可以使检索Html文档更简便,Requests让执行web请求更容易。
from bs4 import BeautifulSoupimport requestsimport requests.exceptionsfrom urllib.parse import urlsplitfrom collections import dequeimport re
下面我定义了一个列表,用于存放要抓取的网页地址,比如http://www.huazeming.com/ ,当然你也可以找有明显email地址的网页作为地址,数量不限。虽然这个集合应该是个列表(在python中),但我选择了 deque 这个类型,因为这个更符合我们的需要。
# a queue of urls to be crawlednew_urls = deque([‘http://www.themoscowtimes.com/contact_us/‘])
接下来,我们需要把处理过的url存起来,以避免重复处理。我选择set类型,因为这个集合可以保证元素值不重复。
# a set of urls that we have already crawledprocessed_urls = set()
定义一个email集合,用于存储收集到地址:
# a set of crawled emailsemails = set()
让我们开始抓取吧!我们有一个循环,不断取出队列的地址进行处理,直到队列里没有地址为止。取出地址后,我们立即把这个地址加到已处理的地址列表中,以免将来忘记。
# process urls one by one until we exhaust the queuewhile len(new_urls): # move next url from the queue to the set of processed urls url = new_urls.popleft() processed_urls.add(url)
然后我们需要从当前地址中提取出根地址,这样当我们从文档中找到相对地址时,我们就可以把它转换成绝对地址。
# extract base url and path to resolve relative linksparts = urlsplit(url)base_url = "{0.scheme}://{0.netloc}".format(parts)path = url[:url.rfind(‘/‘)+1] if ‘/‘ in parts.path else url
下面我们从网上获取页面内容,如果遇到错误,就跳过继续处理下一个网页。
# get url‘s contentprint("Processing %s" % url)try: response = requests.get(url)except (requests.exceptions.MissingSchema, requests.exceptions.ConnectionError): # ignore pages with errors continue
当我们得到网页内容后,我们找到内容里所有email地址,把其添加到列表里。我们使用正则表达式提取email地址:
# extract all email addresses and add them into the resulting setnew_emails = set(re.findall(r"[a-z0-9\.\-+_]+@[a-z0-9\.\-+_]+\.[a-z]+", response.text, re.I))emails.update(new_emails)
在我们提取完当前网页内容的email地址后,我们找到当前网页中的其他网页地址,并将其添加到带处理的地址队列里。这里我们使用BeautifulSoup库来分析网页html。
# create a beutiful soup for the html documentsoup = BeautifulSoup(response.text)
这个库的find_all方法可以根据html标签名来抽取元素。
# find and process all the anchors in the documentfor anchor in soup.find_all("a"):
但网页总的有些a标签可能不包含url地址,这个我们需要考虑到。
# extract link url from the anchorlink = anchor.attrs["href"] if "href" in anchor.attrs else ‘‘
如果这个地址以斜线开头,那么我们把它当做相对地址,然后给他加上必要的根地址:
# add base url to relative linksif link.startswith(‘/‘): link = base_url + link
到此我们得到了一个有效地址(以http开头),如果我们的地址队列没有,而且之前也没有处理过,那我们就把这个地址加入地址队列里:
# add the new url to the queue if it‘s of HTTP protocol, not enqueued and not processed yetif link.startswith(‘http‘) and not link in new_urls and not link in processed_urls: new_urls.append(link)
好,就是这样。以下是完整代码:
from bs4 import BeautifulSoupimport requestsimport requests.exceptionsfrom urllib.parse import urlsplitfrom collections import dequeimport re# a queue of urls to be crawlednew_urls = deque([‘http://www.themoscowtimes.com/contact_us/index.php‘])# a set of urls that we have already crawledprocessed_urls = set()# a set of crawled emailsemails = set()# process urls one by one until we exhaust the queuewhile len(new_urls): # move next url from the queue to the set of processed urls url = new_urls.popleft() processed_urls.add(url) # extract base url to resolve relative links parts = urlsplit(url) base_url = "{0.scheme}://{0.netloc}".format(parts) path = url[:url.rfind(‘/‘)+1] if ‘/‘ in parts.path else url # get url‘s content print("Processing %s" % url) try: response = requests.get(url) except (requests.exceptions.MissingSchema, requests.exceptions.ConnectionError): # ignore pages with errors continue # extract all email addresses and add them into the resulting set new_emails = set(re.findall(r"[a-z0-9\.\-+_]+@[a-z0-9\.\-+_]+\.[a-z]+", response.text, re.I)) emails.update(new_emails) # create a beutiful soup for the html document soup = BeautifulSoup(response.text) # find and process all the anchors in the document for anchor in soup.find_all("a"): # extract link url from the anchor link = anchor.attrs["href"] if "href" in anchor.attrs else ‘‘ # resolve relative links if link.startswith(‘/‘): link = base_url + link elif not link.startswith(‘http‘): link = path + link # add the new url to the queue if it was not enqueued nor processed yet if not link in new_urls and not link in processed_urls: new_urls.append(link)
这个爬虫比较简单,省去了一些功能(比如把邮箱地址保存到文件中),但提供了编写邮箱爬虫的一些基本原则。你可以尝试对这个程序进行改进。
当然,如果你有任何问题和建议,欢迎指正!
英文原文:A Simple Email Crawler in Python