python爬虫(五)--爬虫程序的开始

import re
import urllib
import urllib.request
from collections import deque
queue = deque()#存放待爬取的网址
visited = set()#存放爬取过的网址。判断是否爬取过
url = "http://news.dbanotes.net"#入口网站
queue.append(url)
count = 1
while queue:
    url = queue.popleft()#删除已经爬取过的队首的网址url
    visited |= {url}#把已经爬取过的页面放入set中，方便下面的判断
    urlop = urllib.request.urlopen(url)
    if ‘html‘ not in urlop.getheader(‘Content-Type‘):
        continue#如果是html再继续爬取
    try:
        data = urlop.read().decode(‘utf-8‘)
    except:
        continue
    value = re.findall(r‘href="(.+?)"‘,data)
    for x in value:
        if ‘http‘ in x and x not in visited:
            print("加入队列：" + x)

钟志远  江苏南京  904727147

python爬虫(五)--爬虫程序的开始

原文：http://my.oschina.net/u/2391943/blog/487567