通过python 爬取网址url 自动提交百度

作者: print("") 分类: python 发布时间: 2018-06-05 14:06

昨天同事说,可以手动提交百度这样索引量会上去。

然后想了下。是不是应该弄一个py 然后自动提交呢?想了下。还是弄一个把

python 代码如下:

import os  
import re  
import shutil  
  
REJECT_FILETYPE = 'rar,7z,css,js,jpg,jpeg,gif,bmp,png,swf,exe' #定义爬虫过程中不下载的文件类型
  
def getinfo(webaddress):   #'#通过用户输入的网址连接上网络协议,得到URL我这里是我自己的域名
    global REJECT_FILETYPE  
    url = 'http://'+webaddress+'/'  #网址的url地址
    print 'Getting>>>>> '+url
    websitefilepath = os.path.abspath('.')+'/'+webaddress   #通过函数os.path.abspath得到当前程序所在的绝对路径,然后搭配用户所输入的网址得到用于存储下载网页的文件夹  
    if os.path.exists(websitefilepath):   #如果此文件夹已经存在就将其删除,原因是如果它存在,那么爬虫将不成功  
        shutil.rmtree(websitefilepath)     #shutil.rmtree函数用于删除文件夹(其中含有文件) 
    outputfilepath = os.path.abspath('.')+'/'+'output.txt'   #在当前文件夹下创建一个过渡性质的文件output.txt  
    fobj = open(outputfilepath,'w+')  
    command = 'wget -r -m -nv --reject='+REJECT_FILETYPE+' -o '+outputfilepath+' '+url  #利用wget命令爬取网站
    tmp0 = os.popen(command).readlines()  #函数os.popen执行命令并且将运行结果存储在变量tmp0中
    print >> fobj,tmp0  #写入output.txt中  
    allinfo = fobj.read()
    target_url = re.compile(r'\".*?\"',re.DOTALL).findall(allinfo)  #通过正则表达式筛选出得到的网址 
    print  target_url
    target_num = len(target_url)  
    fobj1 = open('result.txt','w')     #在本目录下创建一个result.txt文件,里面存储最终得到的内容
    for i in range(target_num):
        if len(target_url[i][1:-1])<70:   # 这个target_url 是一个字典形式的,如果url 长度大于70 就不会记录到里面
           print >> fobj1,target_url[i][1:-1]     #写入到文件中
        else:  
          print "NO"
    fobj.close()  
    fobj1.close()  
    if os.path.exists(outputfilepath):  #将过渡文件output.txt删除  
        os.remove(outputfilepath)  #删除
   
if __name__=="__main__":  
    webaddress = raw_input("Input the Website Address(without \"http:\")>")  
    getinfo(webaddress)  
    print "Well Done."

执行完之后就会有如下url

再弄一个主动提交的脚本,我进入百度录入的网址找到自己提交的地址

写了一个垃圾脚本,本来想融入到py中。但是想了下,还是别了

[root@iz2zej11i9rkbm4yvq43laz script]# cat baiduurl.sh 
cd /script && curl -H 'Content-Type:text/plain' --data-binary @result.txt  "http://data.zz.baidu.com/urls?site=https://www.o2oxy.cn&token=P03781O3s6Ee"
 && curl -H 'Content-Type:text/plain' --data-binary @result.txt  "http://data.zz.baidu.com/urls?site=https://www.o2oxy.cn&token=P03781O3s6E"

执行结果如下:

[root@iz2zej11i9rkbm4yvq43laz script]# sh baiduurl.sh 
{"remain":4993750,"success":455}{"remain":4993295,"success":455}

然后做了一个计划任务

执行一下。获取网址url 比较慢,可能十分钟把

唔。完美!!!!!

如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!

2条评论
  • 任学会

    2018年6月5日 下午3:23

    bogon:text shiwenxiu$ python htmlextractor.py
    Input the Website Address(without “http:”)>www.hmjzx.com
    Getting>>>>> http://www.hmjzx.com/
    sh: wget: command not found
    []
    Well Done.
    已经安装了wget模块,为什么还是会提示not found哇?

    1. print("")

      2018年6月5日 下午3:33

      安装wget 命令。兄弟

发表评论

电子邮件地址不会被公开。 必填项已用*标注