Python爬虫-基于深度优先策略的百度百科爬虫

深度优先策略：优先往纵向挖掘深入，直到到达指定的深度或者该节点不存在邻接节点，才会访问第二条路。

广度优先策略：先访问完一个深度的所有节点，再访问更深一层的所有节点。



简单的看：

深度优先爬虫路径：A-B-E-F-C-D

广度优先爬虫路径：A-B-C-D-E-F

import requests
import re
import time

exist_urls=[]
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36',
}
#定义一个用来获取页面所有符合条件的链接函数
def scrapypy(url):
try:
response=requests.get(url=url,headers=headers)
response.encoding='UTF-8'
html=response.text
link_lists=re.findall('.*?<a target=_blank href="/item/([^:#=<>]*?)".*?</a>',html)
return link_lists
except Exception as e:
print(e)
print('下载失败:'+url)
return None
finally:
exist_urls.append(url)

#主函数用来定义输出格式，当爬取深度小于三层时，递归调用主函数，继续爬取第二层的所有链接
def main(start_url,depth=1):
count=0
link_lists=scrapypy(start_url)
if link_lists:
unique_lists=list(set(link_lists)-set(exist_urls))
for unique_list in unique_lists:
unique_list='https://baike.baidu.com/item/'+unique_list
count=count+1
output='No.'+str(count)+'\t Depth:'+str(depth)+'\t'+start_url+'======>'+unique_list+'\n'
print(output)
with open('title.txt','a+') as f:
f.write(output)
f.close()
if depth<2:
main(unique_list,depth+1)

if __name__=='__main__':
t1=time.time()
start_url='https://baike.baidu.com/item/%E7%99%BE%E5%BA%A6%E7%99%BE%E7%A7%91'
main(start_url)
t2=time.time()
print('总时间',t2-t1)

爬取深度为2时的运行结果：





另外还尝试了深度为3的爬虫，爬了六万个就提示写不进去，暂且暂停了。后面继续学习广度优先的爬虫。