爬虫的广度优先和深度优先算法
广度优先算法介绍
整个的广度优先爬虫过程就是从一系列的种子节点开始，把这些网页中的"子节点"(也就是超链接)提取出来，放入队列中依次进行抓取。被处理过的链接需要放 入一张表(通常称为Visited表)中。每次新处理一个链接之前，需要查看这个链接是否已经存在于Visited表中。如果存在，证明链接已经处理过， 跳过，不做处理，否则进行下一步处理。
初始的URL地址是爬虫系统中提供的种子URL(一般在系统的配置文件中指定)。当解析这些种子URL所表示的网页时，会产生新的URL(比如从页面中的<a href= "http://www.admin.com "中提取出http://www.admin.com 这个链接)。然后，进行以下工作：
- 把解析出的链接和Visited表中的链接进行比较，若Visited表中不存在此链接，表示其未被访问过。
- 把链接放入TODO表中。
- 处理完毕后，再次从TODO表中取得一条链接，直接放入Visited表中。
- 针对这个链接所表示的网页，继续上述过程。如此循环往复。
广度优先遍历是爬虫中使用最广泛的一种爬虫策略，之所以使用广度优先搜索策略，主要原因有三点：
- 重要的网页往往离种子比较近，例如我们打开新闻网站的时候往往是最热门的新闻，随着不断的深入冲浪，所看到的网页的重要性越来越低。
- 万维网的实际深度最多能达到17层，但到达某个网页总存在一条很短的路径。而广度优先遍历会以最快的速度到达这个网页。
- 广度优先有利于多爬虫的合作抓取，多爬虫合作通常先抓取站内链接，抓取的封闭性很强。
爬虫深度优先搜索
深度优先搜索是一种在开发爬虫早期使用较多的方法。它的目的是要达到被搜索结构的叶结点(即那些不包含任何超链的HTML文件) 。在一个HTML文件中，当一个超链被选择后，被链接的HTML文件将执行深度优先搜索，即在搜索其余的超链结果之前必须先完整地搜索单独的一条链。深度优先搜索沿着HTML文件上的超链走到不能再深入为止，然后返回到某一个HTML文件，再继续选择该HTML文件中的其他超链。当不再有其他超链可选择时，说明搜索已经结束。优点是能遍历一个Web 站点或深层嵌套的文档集合；缺点是因为Web结构相当深,，有可能造成一旦进去，再也出不来的情况发生。
1 #encoding=utf-8 2 from bs4 import BeautifulSoup 3 import socket 4 import urllib2 5 import re 6 import zlib 7 8 class MyCrawler: 9 def __init__(self,seeds): 10 #初始化当前抓取的深度 11 self.current_deepth = 1 12 #使用种子初始化url队列 13 self.linkQuence=linkQuence() 14 if isinstance(seeds,str): 15 self.linkQuence.addUnvisitedUrl(seeds) 16 if isinstance(seeds,list): 17 for i in seeds: 18 self.linkQuence.addUnvisitedUrl(i) 19 print "Add the seeds url \"%s\" to the unvisited url list"%str(self.linkQuence.unVisited) 20 #抓取过程主函数 21 def crawling(self,seeds,crawl_deepth): 22 #循环条件：抓取深度不超过crawl_deepth 23 while self.current_deepth <= crawl_deepth: 24 #循环条件：待抓取的链接不空 25 while not self.linkQuence.unVisitedUrlsEnmpy(): 26 #队头url出队列 27 visitUrl=self.linkQuence.unVisitedUrlDeQuence() 28 print "Pop out one url \"%s\" from unvisited url list"%visitUrl 29 if visitUrl is None or visitUrl=="": 30 continue 31 #获取超链接 32 links=self.getHyperLinks(visitUrl) 33 print "Get %d new links"%len(links) 34 #将url放入已访问的url中 35 self.linkQuence.addVisitedUrl(visitUrl) 36 print "Visited url count: "+str(self.linkQuence.getVisitedUrlCount()) 37 print "Visited deepth: "+str(self.current_deepth) 38 #未访问的url入列 39 for link in links: 40 self.linkQuence.addUnvisitedUrl(link) 41 print "%d unvisited links:"%len(self.linkQuence.getUnvisitedUrl()) 42 self.current_deepth += 1 43 44 #获取源码中得超链接 45 def getHyperLinks(self,url): 46 links=[] 47 data=self.getPageSource(url) 48 if data[0]=="200": 49 soup=BeautifulSoup(data[1]) 50 a=soup.findAll("a",{"href":re.compile('^http|^/')}) 51 for i in a: 52 if i["href"].find("http://")!=-1: 53 links.append(i["href"]) 54 return links 55 56 #获取网页源码 57 def getPageSource(self,url,timeout=100,coding=None): 58 try: 59 socket.setdefaulttimeout(timeout) 60 req = urllib2.Request(url) 61 req.add_header('User-agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)') 62 response = urllib2.urlopen(req) 63 page = '' 64 if response.headers.get('Content-Encoding') == 'gzip': 65 page = zlib.decompress(page, 16+zlib.MAX_WBITS) 66 67 if coding is None: 68 coding= response.headers.getparam("charset") 69 #如果获取的网站编码为None 70 if coding is None: 71 page=response.read() 72 #获取网站编码并转化为utf-8 73 else: 74 page=response.read() 75 page=page.decode(coding).encode('utf-8') 76 return ["200",page] 77 except Exception,e: 78 print str(e) 79 return [str(e),None] 80 81 class linkQuence: 82 def __init__(self): 83 #已访问的url集合 84 self.visted=[] 85 #待访问的url集合 86 self.unVisited=[] 87 #获取访问过的url队列 88 def getVisitedUrl(self): 89 return self.visted 90 #获取未访问的url队列 91 def getUnvisitedUrl(self): 92 return self.unVisited 93 #添加到访问过得url队列中 94 def addVisitedUrl(self,url): 95 self.visted.append(url) 96 #移除访问过得url 97 def removeVisitedUrl(self,url): 98 self.visted.remove(url) 99 #未访问过得url出队列 100 def unVisitedUrlDeQuence(self): 101 try: 102 return self.unVisited.pop() 103 except: 104 return None 105 #保证每个url只被访问一次 106 def addUnvisitedUrl(self,url): 107 if url!="" and url not in self.visted and url not in self.unVisited: 108 self.unVisited.insert(0,url) 109 #获得已访问的url数目 110 def getVisitedUrlCount(self): 111 return len(self.visted) 112 #获得未访问的url数目 113 def getUnvistedUrlCount(self): 114 return len(self.unVisited) 115 #判断未访问的url队列是否为空 116 def unVisitedUrlsEnmpy(self): 117 return len(self.unVisited)==0 118 119 def main(seeds,crawl_deepth): 120 craw=MyCrawler(seeds) 121 craw.crawling(seeds,crawl_deepth) 122 123 if __name__=="__main__": 124 main(["http://www.baidu.com", "http://www.google.com.hk", "http://www.sina.com.cn"],10)
