转载

随手用python写一个下载源码爬虫试试

最近在研读jdk源码,网上找了下资源,发现都不完整。

后来新发现了一个有完整源码的地方,主要包括了java,c,c++的东西,装逼需要,就想拿来玩玩。但是,找了好多种下载打开的方式,发现都不对。于是,我随手写了python爬虫,把他搞定。

1. 思路分析

1.1. 目标地址:http://hg.openjdk.java.net/jdk8u/jdk8u/jdk/file/dddb1b026323/,打开后先自己看下,是否符合自己的需求;

1.2. 分析此结构下主要有两种形式,一是目录文件,二是最终文件,特征明显,可区分出最终结果;

1.3. 目录深度不确定,很自然地想到了递归;

1.4. 查询有效目录,很自然地想到了正则表达式;

1.5. 基于可能有中断的情况,可能需要进行断点下载,因此考虑加个简单的跳过功能;

1.6. 考虑可能出现重复下载某文件或目录的情况,耗费资源,因此加一个全局文件集,进行去重处理;

1.7. 由于该文件目录很规律,就直接沿用其目录结构了;

1.8. 考虑到本机环境可能不稳定,于是利用公司测试环境服务器;

1.9. 开工!

2. 鲁棒的代码来一波

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import urllib,urllib2
import re
import os
import HTMLParser
dirbase = '/tmp'
urlbase = 'http://hg.openjdk.java.net'
url= urlbase + '/jdk8u/jdk8u/jdk/file/dddb1b026323/src'
# 标识用于跳过目录至xx,以达到按需下载
skip_to_p = ''
# 辅助跳过标识
skip_find = False;
textmod ={'user':'amei'}
textmod = urllib.urlencode(textmod)
print(url)
req = urllib2.Request(url = '%s%s%s' % (url,'?',textmod))
res = urllib2.urlopen(req)
res = res.read()
# 全局已搜寻过的文件集合,防重入
allflist = []

# 1. 找到content的表单,2. 找出有效的地址链接
table=re.findall(r'<tbody class="stripes2">(.+)<//tbody>',res, re.S)
harr = re.findall(r'href="(/jdk8u[/w///._]+)">(?!/[up/])', table[0])

def down_src_recursion(harr):
  global allflist,skip_find;
  if(not harr):
    return False;
  i=0; arrlen = len(harr)
  print("in new dir cur...")
  if(len(allflist) > 1500):
     print('over 1500, cut to 800 exists...')
     allflist = allflist[-800:]
  for alink in harr:
    i += 1;
    # 对最后一个目录符号去除,防止无用的扫描
    alink = alink.rstrip('/')
    if(skip_to_p and not skip_find):
    if(alink != skip_to_p):
      print('skip file, cause no find..., skip=%s,now=%s' % (skip_to_p, alink))
      continue;
    else:
      skip_find = True;
    if(alink in allflist):
      print('目录已搜寻过:' + alink)
      continue;
    pa = dirbase + alink
    if(os.path.isfile(pa)):
      print('文件已存在,无需下载: ' + pa)
      continue;
    reqt = urllib2.Request(urlbase + alink)
    rest = urllib2.urlopen(reqt)
    rest = rest.read()
    allflist.append(alink)
    if(rest.find('class="sourcefirst"') > 0):
       print('这是个资源文件:%s         %d/%d' % (alink, i, arrlen))
       filename = alink.split('/')[-1]
       linearr = re.findall(r'<span id=".+">(.+)</span>', rest)
       fileObject = open(dirbase + alink, 'w')
       for line in linearr:
          try:
            # 文件存在特殊的html标识符,需要转换,但由于有非标准语言存在,可能抛出异常,需捕获
            line = HTMLParser.HTMLParser().unescape(line)
          except UnicodeDecodeError as e:
            print('oops, ascii convert error accour:', e)
          fileObject.write(line + '/r/n')
       fileObject.close()
 
    else:
      print('这是目录:%s        %d/%d' % (alink, i, arrlen))
      if(not os.path.exists(pa)):
         print('创建目录:%s' % alink)
         os.makedirs('/tmp' + alink, mode=0777)
      ta=re.findall(r'<tbody class="stripes2">(.+)<//tbody>',rest, re.S)
      ha = re.findall(r'href="(/jdk8u[/w///._]+)">(?!/[up/])', ta[0])
      down_src_recursion(ha)

# go...
down_src_recursion(harr);

3. 让代码跑起来

python jdk-crawler.py

随手用python写一个下载源码爬虫试试

4. 瞅瞅下载得咋样了

du -sh /tmp/jdk8u/

随手用python写一个下载源码爬虫试试

ok, 以上,就打完了。等测试环境下载完成后,再通过ftp搬到你电脑上了。

原文  http://www.cnblogs.com/yougewe/p/9407243.html
正文到此结束
Loading...