网络爬虫

# -*- coding: utf-8 -*- 
#from HTMLParaser import HTMLParaser 
import re 
import urllib2 
import urllib 
import os 
 
PdfPattern = re.compile(r'.') 
top_level_url = r"http://linux.linuxidc.com/" 
 
def findDir(url): 
    url_decode = urllib.unquote(url) 
    url_list = url_decode.split('/')         
    next_dir = url_list[-2] 
    if url_list[-1]: 
        return 
    else: 
        if os.path.exists(next_dir): 
            print next_dir + '目录已存在.' 
        else: 
            print '目录不存在，创建目录' + next_dir 
            os.mkdir(next_dir) 
            # 进入新目录 
            os.chdir(next_dir) 
            #print '[当前目录-1]:' + os.getcwd() 
    return 
 
def findURL(pre_url, url): 
    #print '[p-url]:' + pre_url 
    #print '[url  ]:'  + url 
    # 分割 
    curr_url  = '' 
    next_url = '' 
    url_split = url.split("/") 
    #print url_split 
    if url_split[-1]:  
        ''' 字符串不为空说明当前地址是一个文件，则下载文件，为空说明当前地址是一个目录，则遍历这个目录''' 
        # filename 
        filename = urllib.unquote(url_split[-1][:-4]) 
        #print filename 
        ''' 将网下下载下来分析...''' 
        if os.path.exists(filename): 
            print "文件已存在..." 
        else: 
            print "文件不存在，下载文件..."
            print "网址:" + url + '\n' 
            try: f = urllib2.urlopen(url)  
            except urllib2.HTTPError, e: 
                print 'The server could\'t fulfill the request.' 
                print 'Error code:', e.code 
                return 
            except urllib2.URLError, e: 
                print 'We failed to reach a server.' 
                print 'Reason:', e.reason 
                return  
            else: 
                data = f.read()  
                with open(filename, "wb") as code: 
                    code.write(data) 
                f.close() 
        return 
    else:  
        '''  将网页下载下来 ‘''' 
        print "创建目录..." 
        UrlsPattern = re.compile(r'<A.*?>') 
        request = urllib2.Request(url) 
        try: html = urllib2.urlopen(request, timeout = 10).read() 
        except urllib2.HTTPError, e: 
            print 'The server could\'t fulfill the request.' 
            os.chdir('../') 
            print 'Error code:', e.code 
        except urllib2.URLError, e: 
            print 'We failed to reach a server.' 
            print 'Reason:', e.reason 
        else: 
            curr_url = request.get_full_url() 
            #print '[当前网址]' + curr_url 
            # 查找链接,取出网页中所有的链接 
            urls = UrlsPattern.findall(html) 
            if urls: 
                for item in urls: 
                    next_url = top_level_url + item[10:-2] 
                    if next_url == pre_url: 
                        print "网页已经浏览..." 
                        pass 
                    else: 
                        findDir(next_url) 
                        findURL(curr_url, next_url)
                print "返回上一层目录..." 
                os.chdir('../') 
                #print '[当前目录-2]:' + os.getcwd() 
            else: 
                pass 
    return 
#url = r"http://linux.linuxidc.com/2012%E5%B9%B4%E8%B5%84%E6%96%99/" 
username = "www.linuxidc.com" 
password = "www.linuxidc.com" 
 
password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm() 
password_mgr.add_password(None, top_level_url, username, password) 
 
handler = urllib2.HTTPBasicAuthHandler(password_mgr) 
opener = urllib2.build_opener(urllib2.HTTPHandler, handler) 
urllib2.install_opener(opener) 
findURL("",  top_level_url)

转载于:https://my.oschina.net/xushizhe/blog/338956