Python网络爬虫笔记（二）：链接爬虫和下载限速

（一）代码1（link_crawler()和get_links()实现链接爬虫）

 import urllib.request as ure
 import re
 import urllib.parse
 from delayed import WaitFor
 #下载网页并返回HTML(动态加载的部分下载不了)
 def download(url,user_agent='Socrates',num=2):
     print('下载:'+url)
     #设置用户代理
     headers = {'user_agent':user_agent}
     request = ure.Request(url,headers=headers)
     try:
         #下载网页
         html = ure.urlopen(request).read()
     except ure.URLError as e:
         print('下载失败'+e.reason)
         html=None
         if num>0:
             #遇到5XX错误时，递归调用自身重试下载，最多重复2次
             if hasattr(e,'code') and 500<=e.code<600:
                 return download(url,num-1)
     return html
 #seed_url传入一个url
 #link_regex传入一个正则表达式
 #函数功能：提取和link_regex匹配的所有网页链接并下载
 def link_crawler(seed_url, link_regex):
     html = download(seed_url)
     crawl_queue = []
     #迭代get_links（）返回的列表，将匹配正则表达式link_regex的链接添加到列表中
     for link in get_links(html):
         if re.match(link_regex, link):
             #拼接https://www.cnblogs.com/ 和 /cate/...
             link = urllib.parse.urljoin(seed_url, link)
             #不在列表中才添加
             if link not in crawl_queue:
                 crawl_queue.append(link)
     #调用WaitFor的wait（）函数，下载限速，间隔小于2秒则等待，直到时间等于2秒才继续下载（大于则直接继续下载）
     waitFor = WaitFor(2)
     #下载crawl_queue中的所有网页
     while crawl_queue:
         #删除列表末尾的数据
         url = crawl_queue.pop()
         waitFor.wait(url)
         download(url)
 #传入html对象，以列表形式返回所有链接
 def get_links(html):
     #使用正则表达式提取html中所有网页链接
     webpage_regex = re.compile('<a[^>]+href=["\'](.*?)["\']',re.IGNORECASE)
     html = html.decode('utf-8')
     # 以列表形式返回所有网页链接
     return webpage_regex.findall(html)

 link_crawler('https://www.cnblogs.com/','/cate/.*')

（二）delayed.py（实现下载限速的类）

 import urllib.parse
 import datetime
 import time
 class WaitFor():

     def __init__(self,delay):
         #delay：希望延迟多长时间（wait（）中的处理是以秒为单位）
         self.delay = delay
         #用来存放上次下载时间
         self.domains = dict()

     def wait(self,url):
         #获取url netloc属性的值（即www.cnblogs.com，// 和第一个 /之间的内容）
         domain = urllib.parse.urlparse(url).netloc
         #存在键值为domain的数据返回value值，否则返回None
         last_down = self.domains.get(domain)
         if self.delay >0 and last_down is not None:
             #  希望延迟时间 - （当前时间-上次下载时间），seconds时间间隔以秒为单位显示
             sleep_sec = self.delay-(datetime.datetime.now()-last_down).seconds
             if sleep_sec > 0:
                 time.sleep(sleep_sec)
         #将当前时间添加到domains中
         self.domains[domain] = datetime.datetime.now()