Python实现采集wordpress整站数据的爬虫

最近爱上了python，就非常喜欢使用python来练手，在上次的基础上完善一下代码，实现采集wordpress程序的网站的整站数据的爬虫程序，本站也是采用的wordpress，我就拿吾八哥网(http://www.5bug.wang/)来练手了！简单分析下这个爬虫的思路，从首页开始，抓取href标签，到子页面后还是要继续找href标签，那么很容易想到要用到递归了，直接贴代码吧！写了点简单的注释，如下：

import re
import bs4
import urllib.request

url_home = 'http://www.5bug.wang/'  #要采集的网站
url_pattern = url_home + '([\s\S]*)\.html' #正则表达式匹配文章页面，此处需完善为更好的写法
url_set = set()
url_cache = set()
url_count = 0
url_maxCount = 1000  #最大采集数量

#采集匹配文章内容的href标签
def spiderURL(url, pattern):
    html = urllib.request.urlopen(url).read().decode('utf8')
    soup = bs4.BeautifulSoup(html, 'html.parser')
    links = soup.find_all('a', href = re.compile(pattern))
    for link in links:
        if link['href'] not in url_cache:
            url_set.add(link['href'])
    return soup

#采集的过程  异常处理还需要完善，对于一些加了防采集的站，还需要处理header的，下次我们再学习
spiderURL(url_home, url_pattern)

while len(url_set) != 0:
    try:
        url = url_set.pop()
        url_cache.add(url)
        soup = spiderURL(url, url_pattern)
        page = soup.find('div', {'class':'content'})

        title = page.find('h1').get_text()
        autor = page.find('h4').get_text()
        content = page.find('article').get_text()

        print(title, autor, url)
    except Exception as e:
        print(url, e)
        continue
    else:
        url_count += 1
    finally:
        if url_count == url_maxCount:
            break

print('一共采集了： ' + str(url_count) + ' 条数据')