- 前言：
这是一篇来自整理EVERNOTE的笔记所产生的小博客，实现功能主要为用广度优先算法爬取小故事网，爬满100个链接并写入mysql，虽然CS作为双学位已经修习了三年多了，但不仅理论知识一般，动手能力也很差，在学习的空余时间前前后后DEBUG了很多次，下面给出源代码及所遇到的BUG。
本博客参照代码及PROJECT来源：http://078886.cn
- 源代码：
1 import requests as rq
2 import re
3 import codecs
4 import queue
5 import pymysql
6 from urllib.request import urlopen
7 from bs4 import BeautifulSoup
8
9 tasks = queue.Queue() # 链接队列
10 tasks_pass = set() # 已队列过的链接
11 results = {} # 结果变量
12 count = 0 # 爬取页面总数
13 tasks.put('/index.html') # 把主页加入到链接队列
14 tasks_pass.add('/index.html') # 把主页加入到已队列链接
15 db = pymysql.connect("localhost","testuser","test123","TESTDB",charset='gbk')
16 dbc = db.cursor()
17
18 while count<=100:
19 url = tasks.get() #取出一个链接
20 url = 'http://wap.xigushi.com'+url
21 web = rq.get(url).content.decode('gbk') #这里的编码要看实际情形而定
22 urls = re.findall('href="(/.*?)"', web) #查找所有站内链接
23 for u in urls:
24 if u not in tasks_pass: #把还没有队列过的链接加入队列
25 tasks.put(u)
26 tasks_pass.add(u)
27 html=urlopen(url)
28 bsObj=BeautifulSoup(html.read(),"lxml")
29 if not (re.search('images',url)):
30 # print(re.search('images', url))
31 text=bsObj.title.get_text()
32 print(url + ' ' + text)
33 sql = "insert into data1(url,title) values(%s,%s);"
34 data=(url,text)
35 dbc.execute(sql,data)
36 db.commit()
37 else:
38 if (re.search('images',url).span()):
39 print('---------------------------skipping--------------------------------------------')
40 count += 1
41 db.close()
42
43 with codecs.open('results.txt', 'w', encoding='utf-8') as f:
44 f.write('\n'.join(results.items()444814.cn))
- 备注：
原PROJECT采取多线程并写入MongoDB，我因为还不熟悉多线程，采取了单线程，出于对mysql的偏好和熟悉选取了mysql。
- BUG：
- 编码问题：
小故事网的编码是GB2312，可以从网页源代码的META标签中读出，因为GBK向下与GB2312兼容，所以可以用GBK解码。值得注意的是，mysql默认编码为latin-1，遇到编码问题时，在google时给出的答案都是UTF-8，但在将mysql字符集改为UTF-8后，pycharm读取正常，但mysql显示还是乱码，需要将其改为GBK才可以，虽然在猜想UTF-8应该兼容GBK才对...在对mysql修改字符集的时候，又反复操作了几次，才发现原来有数据库、表、字段的区别...最终都改了...
修改mysql字符集这个网站讲得很好： - 正则表达式匹配问题：
代码主要是为了爬取链接和对应的标题，但在碰到图片的时候就会报错，这时打算写个正则过滤掉，没想到写出来了没反应...最后只能加了个判断过滤...coding仍需加强...