美文网首页
第二周/第三节练习项目: 设计断点续传程序

第二周/第三节练习项目: 设计断点续传程序

作者: uvscjh | 来源:发表于2016-07-06 12:43 被阅读66次

    1. 引言

    程序会因为各种各样的原因而中断执行, 所以要想办法主程序在上次中断的地方继续执行

    2. 分析

    • 随时存储程序执行的状态值, 例如程序执行到的位置
    • 程序再次执行时先获取上次中断前保存的位置

    3. 实现部分

    代码

    #!/usr/bin/env python3                                                                                                                                                               
    # -*- coding: utf-8 -*-                                                                                                                                                              
                                                                                                                                                                                         
    __author__ = 'jhw'                                                                                                                                                                   
                                                                                                                                                                                         
                                                                                                                                                                                         
    from bs4 import BeautifulSoup                                                                                                                                                        
    from pymongo import MongoClient                                                                                                                                                      
    import requests                                                                                                                                                                      
                                                                                                                                                                                         
                                                                                                                                                                                         
    # 连接mongo数据库                                                                                                                                                                    
    client = MongoClient('10.66.17.17', 27017)                                                                                                                                           
    database = client['58tongcheng']                                                                                                                                                     
    # 存放url信息的collection                                                                                                                                                            
    url_info = database['shoujihao_url']                                                                                                                                                 
    # 存放item信息的collection                                                                                                                                                           
    item_info = database['shoujihao_item']                                                                                                                                               
    # 存放已打开的url                                                                                                                                                                    
    url_exists = database['shoujihao_url_exists']                                                                                                                                        
    # 获取快打开的url列表, 以便在get_item_info函数中作对比                                                                                                                               
    exists_list = [i['url'] for i in url_exists.find()]                                                                                                                                  
                                                                                                                                                                                         
    headers = {                                                                                                                                                                          
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36',                                                       
    }                                                                                                                                                                                    
                                                                                                                                                                                         
                                                                                                                                                                                         
    # 定义获取手机号信息的函数                                                                                                                                                           
    def get_url_info(url):                                                                                                                                                               
                                                                                                                                                                                         
        data = requests.get(url, headers=headers)                                                                                                                                        
        soup = BeautifulSoup(data.text, 'lxml')                                                                                                                                          
        # 判断是否到了列表尾部                                                                                                                                                           
        if len(soup.select('.boxlist a.t')) == 0:                                                                                                                                        
            print('*'*20, 'End of the pages...', '*'*20)                                                                                                                                 
            print(url)                                                                                                                                                                   
            return 1                                                                                                                                                                         else:                                                                                                                                                                                    titles = soup.select('.boxlist a.t > strong')                                                                                                                                        urls = soup.select('.boxlist a.t')                                                                                                                                                                                                                                                                                                                                        for title, url in zip(titles, urls):                                                                                                                                                     # 过虑推广信息                                                                                                                                                                       if 'jump' in url.get('href'):                                                                                                                                                            print('Advertising info, Pass...')                                                                                                                                               else:                                                                                                                                                                                    data = {                                                                                                                                                                                 'title': title.get_text(),                                                                                                                                                           'url': url.get('href').split('?')[0],                                                                                                                                            }                                                                                                                                                                                    print(data)                                                                                                                                                                          # 将url信息插入mongodb中                                                                                                                                                             url_info.insert_one(data)
                                                                                                                                                                                                                                                                                                                                                                              
    def get_item_info(url):                                                                                                                                                              
                                                                                                                                                                                         
        # 如果即将要打开的url存在于已打开的url列表中则退出本次循环                                                                                                                       
        if url in exists_list:                                                                                                                                                           
            print('*'*20, 'The url has been opened before!!!', '*'*20)                                                                                                                   
        else:                                                                                                                                                                            
            data = requests.get(url, headers=headers)                                                                                                                                    
            soup = BeautifulSoup(data.text, 'lxml')                                                                                                                                      
            titles = soup.select('.mainTitle h1')                                                                                                                                        
            updates = soup.select('li.time')                                                                                                                                             
            prices = soup.select('.price.c_f50')                                                                                                                                         
                                                                                                                                                                                         
            data = {                                                                                                                                                                     
                # 去掉多余的字符                                                                                                                                                         
                'title': titles[0].get_text().replace('\n', '').replace('\t', '').replace(' ', ''),                                                                                      
                'price': prices[0].get_text().replace('\n', '').replace('\t', '').replace(' ', ''),                                                                                      
                'update': updates[0].get_text().replace('\n', '').replace('\t', '').replace(' ', ''),                                                                                    
            }                                                                                                                                                                            
            print(data)                                                                                                                                                                  
            # 将item信息插入mongodb中                                                                                                                                                    
            item_info.insert_one(data)                                                                                                                                                   
            url_exists.insert_one({'url': url})                                                                                                                                          
                                                                                                                                                                                         
    # 定义包含所有列表页的列表                                                                                                                                                           
    url_list = ['http://bj.58.com/shoujihao/pn{}/'.format(i) for i in range(1, 200)]                                                                                                     
                                                                                                                                                                                         
    # 逐一抓取列表页中的手机号信息                                                                                                                                                       
    # for url in url_list:                                                                                                                                                               
        # # 至列表尾部了就退出                                                                                                                                                           
        # if get_url_info(url):                                                                                                                                                          
    #         break                                                                                                                                                                      
                                                                                                                                                                                         
    # 从mongodb中取出url, 获取其详细信息                                                                                                                                                 
    for url in url_info.find():                                                                                                                                                          
                                                                                                                                                                                         
        get_item_info(url['url'])
    

    结果

    ******************** The url has been opened before!!! ********************
    ******************** The url has been opened before!!! ********************
    ******************** The url has been opened before!!! ********************
    ******************** The url has been opened before!!! ********************
    ******************** The url has been opened before!!! ********************
    {'update': '2016-07-06', 'price': '3325元', 'title': '13341143344联通北京靓号'}
    {'update': '2016-07-06', 'price': '5650元', 'title': '15001162111移动北京壹手靓号'}
    {'update': '2016-07-06', 'price': '10640元', 'title': '18511111990联通北京顶级靓号'}
    {'update': '2016-07-06', 'price': '5645元', 'title': '18511188558移动北京壹手靓号'}
    {'update': '2016-07-06', 'price': '10640元', 'title': '18601111100联通北京顶级靓号'}
    {'update': '2016-07-06', 'price': '5686元', 'title': '13810376555移动高价回收靓号'}
    

    4. 总结

    • 程序执行时随时保存执行状态, 如果别的地方有需要用到就很方便了

    相关文章

      网友评论

          本文标题:第二周/第三节练习项目: 设计断点续传程序

          本文链接:https://www.haomeiwen.com/subject/ekjkjttx.html