同福

鬼谷子叔叔
2020-10-11 20:37:29 98

Python做个搜索引擎（6）网页蜘蛛代码编写（二）【20201011】

介绍

介绍

上一堂课福哥给大家展示了一个半成品的蜘蛛对象Spider，今天我们继续。

做事要有目标，并努力使之达成！

今天我们的目标就是：

  • 实现网页的爬取分析并将内容保存到webpages数据表当中；

  • 将提取出来的子级页面的超链接保存到webpages里面；

Spider对象

福哥对Spider对象的功能进行了完善，包括一些新的方法（函数）的定义和一些旧有的方法（函数）的改造，我们来一一把它们贴出来。

属性

charsets

charsets = {"utf-8":1, "gbk":2, "big5":3}

方法

analyzePage

# analyze page
def analyzePage(self, url):
    title = self.chrome.title
    keywords = ""
    description = ""
    charset = ""
    metas = self.chrome.find_elements_by_tag_name("meta")
    for meta in metas:
        myName = meta.get_attribute("name")
        myContent = meta.get_attribute("content")
        myHttpEquiv = meta.get_attribute("http-equiv")
        if myName == "keywords":
            keywords = myContent
        elif myName == "description":
            description = myContent
        elif myHttpEquiv is not None and myHttpEquiv.lower() == "content-type":
            charset = myContent

    return {"url": url, "title": title, "keywords": keywords, "description": description, "charset": charset}

findAllATags

# find all A tags
def findAllATags(self, domainName):
    links = self.chrome.find_elements_by_tag_name("a")
    for link in links:
        myHref = link.get_attribute("href")
        myWebPageType = self.isWebPage(myHref, domainName)
        if myWebPageType == 1:
            print(myHref)
            ret = self.saveWebPage(myHref)
            print(ret)
        elif myWebPageType == 2:
            lnkRE = re.compile("^(http|https)\:\/\/([^\/]+)", re.M)
            mats = lnkRE.search(myHref)
            if mats:
                print(mats.group(2))
                ret = self.saveDomainPage(mats.group(2))
                print(ret)

findDomainURL

# fetch a domain URL
def fetchDomainURL(self, domainName):
    # open page of domain
    try:
        url = "http://" + domainName
        print("打开网址：" + url)
        self.chrome.get(url)
    except Exception as e:
        print("Failed to fetch url: " + domainName)
        print(e)

        return False

    # analyze TKD
    args = self.analyzePage(url)

    # find all A tags
    self.findAllATags(domainName)

    return True

findWebURL

# fetch a web URL
def fetchWebURL(self, domainName, url):
    # open page of url
    try:
        print("打开网址：" + url)
        self.chrome.get(url)
    except Exception as e:
        print("Failed to fetch url: " + domainName)
        print(e)

        return False

    # analyze TKD
    args = self.analyzePage(url)

    # find all A tags
    self.findAllATags(domainName)

    return True

isWebPage

def isWebPage(self, url, domainName):
    lnkRE = re.compile("^(http|https)\:\/\/([^\/]+)", re.M)
    mats = lnkRE.search(url)
    if mats:
        if mats.group(2) == domainName:

            return 1 # internal link
        else:

            return 2 # external link

    return 3 # none http URL

saveWebPage

def saveWebPage(self, url):
    # try to insert url into webpages
    try:
        self.mysqlCS.execute("SELECT * FROM webpages WHERE url = %s", [url])
        row = self.mysqlCS.fetchone()
        if row is None:
            self.mysqlCS.execute("INSERT INTO webpages (url, statusCode, charset, createDT) VALUES (%s, %s, %s, now())", [url, 200, 1])
            self.mysqlCN.commit()
            #print ("保存网页: " + url)

            return self.mysqlCS.lastrowid
        else:

            return row[0]
    except Exception as e:
        print ("Fail to saveWebPage")
        print (e)
        exit()

    return None

saveDomainPage

def saveDomainPage(self, domainName):
    # try to insert url into webpages
    try:
        self.mysqlCS.execute("SELECT * FROM websites WHERE domainName = %s", [domainName])
        row = self.mysqlCS.fetchone()
        if row is None:
            self.mysqlCS.execute("INSERT INTO websites (domainName, weight, createDT) VALUES (%s, %s, now())", [domainName, 1])
            self.mysqlCN.commit()
            #print ("保存域名: " + domainName)

            return self.mysqlCS.lastrowid
        else:

            return row[0]
    except Exception as e:
        print ("Fail to saveDomainPage")
        print (e)
        exit()

    return None

讲解

今天更新的代码比较多，我们一点一点的介绍，大家要仔细听清楚了哦！

属性charsets

增加了一个属性charsets，是一个数据集合，用来将网页编码转换成整数的。

analyzePage

这个方法用来分析当前打开的页面的信息，将它们提取出来组合成一个数据集合返回给调用的代码使用。

提取的信息包括网页标题（title）、关键字（keywords）、描述（description）、编码（charset）等等信息，这些都是我们写入webpages数据表时候需要的数据。

findAllATags

这个方法昨天已经实现了，今天进行了一些调整，主要作用就是在当前打开的页面上扫描所有A标签（超链接），并根据超链接的href参数判断链接是内链（internal link）还是外链（external link），如果是内链直接保存到webpages数据表，如果是外链则保存网址的域名到websites数据表。

findDomainURL

这个方法昨天已经实现了，今天增加了analyzePage环节（暂时没有使用），且将findAllATags方法单独提出来了。

findWebURL

这个方法是个新方法，功能和findDomainURL方法类型，用来采集普通网页网址的。

isWebPage

这个方法有声明没有实现，今天福哥将它的业务逻辑实现了，作用就是判断URL里面的域名和传入的域名是否一致，一致就是内链，反之就是外链。

saveWebPage

这个方法有声明没有实现，今天福哥把它的功能写出来了，简单来说就是判断url是否在webpages数据表里，在了就直接取它的自增列的值，不在的话就先写入webpages数据表，再拿它的自增列的值。

saveDomainPage

这个方法也有声明也没有实现，今天福哥把它的功能完成了，简单来说就是判断domainName是否在websites数据表里，在了就直接取它的自增列的值，不在的话就先写入websites数据表，再拿它的自增列的值。

2abda3135a07522f.jpg

总结

写逻辑是福哥最习惯的环节，比码汉字、截图要舒服多了！理科男基本都是和福哥一个类型的吧？我们喜欢逻辑思维，喜欢找规律，喜欢设计规则。写代码满足了我们的这个需求，做一个项目的过程就好像是建立一个系统，指定系统内的规则，有一种造物主的赶脚！

福哥一开始会将代码和设计思路都写出来供童鞋们参考，在后面福哥就会慢慢地逐渐减少现成的代码的提供量了，相对的功能的设计思路会更加详细，这还是为了帮助童鞋们自己开动脑筋去思考为目的！

P.S.

微信公众号的文章发出去之后是不能编辑的，但是福哥偶尔会修复一些描述不到位、示例不正确、结构不清晰等等的文章错误，这些只能在网站上才能看到最新版本内容，望大家知晓~~