找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
查看: 864|回复: 0
打印 上一主题 下一主题
收起左侧

关于用socket实现一个超简单的爬虫

[复制链接]
跳转到指定楼层
楼主
ID:436060 发表于 2018-11-29 20:42 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
#仅供参考
import socket
import ssl
import re       
import os


url = "http://csse.xjtlu.edu.cn/classes/CSE205/"
protocol = url.split('://')[0]

u = url.split('://')[1]
i = u.find('/')
host = u[:i]
path = u[i:]
file_path='D:\\{}'.format(host)

def  get_html(url):

    if protocol =='https':
        sock= ssl.wrap_socket(socket.socket())
        port = 443

    else:
        sock = socket.socket()
        port = 80

    sock.connect((host,port))

    request = 'GET {} HTTP/1.1\r\nhost:{}\r\n\r\n'.format(path, host)
    print( request)

    sock.send(request.encode())
    response = b''
    buffer_size = 1024
    while True:
        r = sock.recv(buffer_size)
        response += r
        if len(r) < buffer_size:
            break

    response = response.decode()
    print(response)
    return response



def get_img(response):

    imgre = re.compile(r"""<img\s.*?\s?src\s*=\s*['|"]?([^\s'"]+).*?>""",re.I)
    imglist = re.findall(imgre,response)

    for src in imglist:

        if protocol =='https':
            sock2= ssl.wrap_socket(socket.socket())
            port = 443
        else:
            sock2= socket.socket()
            port = 80

        sock2.connect((host,port))
        request2='GET {}{} HTTP/1.1\r\nhost:{}\r\n\r\n'.format(path,src,host)
        print(request2)
        sock2.send(request2.encode())
        response2 = b''
        buffer_size = 1024
        while True:
            r = sock2.recv(buffer_size)
            response2 += r
            if len(r) < buffer_size:
                break
        data=response2.split("\r\n\r\n".encode())[1]

        src=src.replace('/','.');
        file_path='D:\\{}\{}'.format(host,src)

        with open (file_path,'wb') as f:
            f.write(data)


def mkdir(file_path):

    isExists=os.path.exists(file_path)
    if not isExists:
        os.makedirs(file_path)
        return True
    else:
        return False


mkdir(file_path)
response = get_html(url)
get_img(response)

分享到:  QQ好友和群QQ好友和群 QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友
收藏收藏 分享淘帖 顶 踩
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

手机版|小黑屋|51黑电子论坛 |51黑电子论坛6群 QQ 管理员QQ:125739409;技术交流QQ群281945664

Powered by 单片机教程网

快速回复 返回顶部 返回列表