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()