简单的爬虫示例

rockylinux

对于静态页面的爬虫，道理很简单，就是见到链接地址就进去，然后打开当前页面，把返回的页面信息保存下来就行了。这是最简单的道理，做个小程序，没几行就能实现，但是如果要考虑到效率和增量爬虫，考虑到爬虫调度就需要复杂得多了。这几天需要获取一些数据，写了一个简单的静态页获取程序。如下是其中核心代码：
代码的意思就是打开URL，然后保存，就可以。Python做的非常好，很稳定，这样的代码跑一个晚上都不会有问题，对于爬虫来说，一个固定IP如果每位中发起100链接，很有可能就被网站给屏蔽了，所以就这样一个链接重复打开，问题不大。一个爬上爬下2G所有的数据。
如果想要提高效率，可以使用一个线程池，使用固定线程去爬取，其中有涉及到线程调度什么的，复杂了。
def getUrlData( url , n, savePath ):
    urls = getURl( url, n )
    num = 0
    i = 1
    for u in urls:
        try:
            f = urllib.urlopen( u )
            data = f.read()
            f.close()
        except:
            print "can't get " + i.__str__()
            pass
        f2 = open( savePath + i.__str__() + ".txt", 'w' )
        f2.write( data )
        f2.close()
        i = i + 1


本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u/3176/showart_1421789.html