#coding=utf-8
from __future__ import print_function
from bs4 import BeautifulSoup
import urllib2
import sys
import string
reload(sys)
sys.setdefaultencoding("gbk")
filename="top500.csv"
f=open(filename,'w')
f.write('num,name,country,address,indroduce'+'\n')
a=1
for ye in range(0,20):
url="http://www.alexa.com/topsites/global;"+str(ye)
page=urllib2.urlopen(url)
soup=BeautifulSoup(page)
nameLists=soup.findAll(attrs={"class":"site-listing"})
for names in nameLists:
name=names.find('a').text
print(name)
siteUrl="http://www.alexa.com/siteinfo/"+name
ipUrl="http://www.ip.cn/index.php?ip=www."+name
print(siteUrl)
#获取网站所在国家
pageSite=urllib2.urlopen(siteUrl)
soup=BeautifulSoup(pageSite)
titleLists=soup.findAll(attrs={"class":"metrics-title"})
country=titleLists[1].find('a').text
print(country)
#获取网站服务器所在位置
ipSite=urllib2.urlopen(ipUrl)
soup=BeautifulSoup(ipSite)
addressList=soup.find(attrs={"class":"well"})
addresses=addressList.findAll('p')
address=addresses[1].text
address=address.replace(',',' ')#替换掉','
print(address)
name1="www."+name
print(name1)
introduce=names.find(attrs={"class":"description"}).text
introduce=introduce.replace('... More','')
introduce=introduce.replace(',','.')#替换掉','
paiming=str(a)
f.write(paiming+','+name+','+country+','+address+','+introduce.encode('gbk','ignore')+'\n')
a=string.atoi(paiming)+1
f.close()
print("\nover")
贴出代码,爬到第四个数据就爬不动了,光标一直闪没有继续下去,请教一下是因为打开的url太多了么,并且有循环嵌套,不是的话是什么原因呢,说明一下我的是10M宽带应该不是网速的问题吧。
我测试了一下没发现问题。
应该是网络问题吧。我这边试了一下,每次执行了几个就连接超时了。
在urlopen 那里设置一下超时时间 for 循环后面加个time.sleep(1) 吧 这样就避免超时了
发现了几个小问题:
暴力爬虫是很容易被对方服务器探测并且屏蔽的,所以你这情况极有可能是短时间超过了服务器设置的阀值,然后在返回结果时候给你拖延或者直接403、404了
有时候卡在那不动,是因为beautifulsoup的解释器问题。你在实例化的时候应该(必须)指定解释器,一般是
lxml
,但是网页的话强烈推荐html5lib
。这么用:soup = BeautifuSoup(html, 'html5lib')
。
不过根据官方解释,你应该事先安装这几个解释器。pip install html5lib
就装好了。