python 网络爬虫（二） BFS不断抓URL并放到文件中

上一篇的python 网络爬虫（一） 简单demo 还不能叫爬虫，只能说基础吧，因为它没有自动化抓链接的功能。

本篇追加如下功能：

【1】广度优先搜索不断抓URL，直到队列为空

【2】把所有的URL写入文件中

【3】对于不可访问或错误访问的URL，有try except 处理

spider.py

# -*- coding: cp936 -*-import urllib,Queue,sgmllib,re,osclass URLList(sgmllib.SGMLParser):    def reset(self):        sgmllib.SGMLParser.reset(self)        #maxsize < 1 表示无穷队列        self.URLqueue = Queue.Queue(maxsize = -1)    def start_a(self,attrs):        href = [v for k,v in attrs if k == 'href']        if href:            for u in href:                #判断URL是不是正确的，href都必须有"http://"                pat = re.compile(r'http://(.+?)')                #False,0,'',[],{},()都可以视为假，也可以用len()==0判断列表为空                if len(re.findall(pat,u)) == 0:                    continue                                self.URLqueue.put(u)                def getURLList(url,parser):    try:        URLdata = urllib.urlopen(url)        parser.feed(URLdata.read())        URLdata.close()    except:        return startURL = "http://www.baidu.com"parser = URLList()getURLList(startURL,parser)outfile = startURL[7:len(startURL)]+".txt"out = open(outfile,'w+')try:    #BFS    while parser.URLqueue.empty() == False:        url = parser.URLqueue.get()        print url        out.writelines(url+'\n')        getURLList(url,parser)finally:    parser.close()    out.close()