python开发全自动网站链接主动提交百度工具

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

自己网站因数据比较多，趁晚上没事就写了一个通过python爬取url自动提交给百度，实现网站全站提交的思路，代码实现很简单，因为编写时间仓储，难免有些bug，可以放在服务器上配置下定时爬取提交。

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."