good-coder-python:优秀的python编码器

# good-coder-python  [](https://coveralls.io/r/caimaoy/good-coder-python?branch=dev) [](https://landscape.io/github/caimaoy/good-coder-python/dev) 在调研过程中，经常需要对一些网站进行定向抓取。由于python包含各种强大的库，使用python做定向抓取比较简单。请使用python开发一个迷你定向抓取器mini\_spider.py，实现对种子链接的广度优先抓取，并把URL长相符合特定pattern的网页保存到磁盘上。 程序运行: python mini_spider.py -c spider.conf ###配置文件spider.conf: --- [spider] url_list_file: ./urls ; 种子文件路径 output_directory: ./output ; 抓取结果存储目录 max_depth: 1 ; 最大抓取深度(种子为0级) crawl_interval: 1 ; 抓取间隔. 单位: 秒 crawl_timeout: 1 ; 抓取超时. 单位: 秒 target_url: .*\.(gif|png|jpg|bmp)$ ; 需要存储的目标网页URL pattern(正则表达式) thread_count: 8 ; 抓取线程数 种子文件每行一条链接，例如: http://www.baidu.com http://www.sina.com.cn ###要求和注意事项: --- 1. 需要支持命令行参数处理。具体包含: -h(帮助)、-v(版本)、-c(配置文件) - 需要按照广度优先的顺序抓取网页。 - 单个网页抓取或解析失败，不能导致整个程序退出。需要在日志中记录下错误原因并继续。 - 当程序完成所有抓取任务后，必须优雅退出。 - 从HTML提取链接时需要处理相对路径和绝对路径。 - 需要能够处理不同字符编码的网页(例如utf-8或gbk)。 - 网页存储时每个网页单独存为一个文件，以URL为文件名。注意对URL中的特殊字符，需要做转义。 - 要求支持多线程并行抓取。 - 代码严格遵守百度python编码规范 - 代码的可读性和可维护性好。注意模块、类、函数的设计和划分 - 完成相应的单元测试和使用demo。你的demo必须可运行，单元测试有效而且通过 - 注意控制抓取间隔和总量，避免对方网站封禁百度IP。PS Python CM委员会为大家提供测试抓取网站: http://pycm.baidu.com:8081 ###提示(下面的python库可能对你完成测试题有帮助): --- - re(正则表达式) 参考: http://docs.python.org/2/library/re.html 参考: http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 参考: http://blog.csdn.net/jgood/article/details/4277902 - gevent/threading(多线程) 参考: http://docs.python.org/2/library/threading.html 参考: http://www.cnblogs.com/huxi/archive/2010/06/26/1765808.html - docopt/getopt/argparse(命令行参数处理) 参考: https://github.com/docopt/docopt 参考: http://docs.python.org/2/library/getopt.html 参考: http://andylin02.iteye.com/blog/845355 参考: http://docs.python.org/2/howto/argparse.html 参考: http://www.cnblogs.com/jianboqi/archive/2013/01/10/2854726.html - ConfigParser(配置文件读取) 参考: http://docs.python.org/2/library/configparser.html 参考: http://blog.chinaunix.net/uid-25890465-id-3312861.html - urllib/urllib2/httplib(网页下载) 参考: http://docs.python.org/2/library/urllib2.html 参考: http://blog.csdn.net/wklken/article/details/7364328 参考: http://www.nowamagic.net/academy/detail/1302872 - pyquery/beautifulsoup4/HTMLParser/SGMLParser(HTML解析) 参考: http://docs.python.org/2/library/htmlparser.html 参考: http://cloudaice.com/yong-pythonde-htmlparserfen-xi-htmlye-mian/ 参考: http://docs.python.org/2/library/sgmllib.html 参考: http://pako.iteye.com/blog/592009 - urlparse(URL解析处理) 参考: http://docs.python.org/2/library/urlparse.html 参考: http://blog.sina.com.cn/s/blog_5ff7f94f0100qr3c.html - logging(日志处理) 参考: http://docs.python.org/2/library/logging.html 参考: http://kenby.iteye.com/blog/1162698 参考: http://my.oschina.net/leejun2005/blog/126713 [](https://bitdeli.com/free "Bitdeli Badge")