[python]爬站点

 #!/usr/bin/python
  2 import urllib
  3 import urllib2
  4 import re
  5 import os
  6 
  7 dirs = ['js','img','pay','css']
  8 urls = ['http://www.xxxxxx.net/' + x for x in dirs]
  9 
 10 def parse(baseurl):
 11     url_hand = urllib2.urlopen(baseurl)
 12     url_cont = url_hand.read()
 13     urllist = re.findall("<A HREF=".*">",url_cont)
 14     files = []
 15     dirs = []
 16     cwd = os.getcwd()
 17     for x in urllist:
 18         xx = x.split(""")[1]
 19         if re.search(".*/$",xx):
 20             dirs.append(xx)
 21             nextpath = os.path.join(cwd, xx)
 22         else:
 23             files.append(xx)
 24     dirs.remove(dirs[0])
 25 
 26 
 27     for xfile in files:
 28         xfileurl = "http://www.xxxxxx.net" + xfile
 29         #todir = os.path.join(pardir, os.path.dirname(xfile))
 30         todir = cwd + xfile
 31         print todir
 32         urllib.urlretrieve(xfileurl, todir)
 33     for xdir in dirs:
 34         todir = cwd + xdir
 35         try:
 36              os.mkdir(todir)
 37         except OSError, e:
 38             print "dir exist!!"
 39         xdirurl = "http://www.xxxxxx.net" + xdir
 40         print xdirurl
 41         parse(xdirurl)
 42 
 43 
 44 if __name__ == "__main__":
 45     for url in urls:
 46         parse(url)                                       

知识点：

1.这个站点有autoindex，所以进入目录后自动列出里面的文件，将其爬出，分类，文件，和目录

对于文件，直接抓取。

对于目录，得到路径后对其调用函数递归抓取。

2.下载文件，可以使用urllib模块的urlretrieve

3.还可以使用urlopen->read->write to file