У меня есть скребок, который берет список URL-адресов и сканирует их на наличие дополнительных ссылок, после чего следует поиск всего, что выглядит как электронное письмо (с использованием REGEX), и возвращает список URL-адресов / адресов электронной почты.
В настоящее время он настроен на ноутбуке Jupyter, поэтому я могу легко просматривать результаты во время тестирования. Проблема в том, что для запуска требуется вечность - потому что я не ограничиваю глубину скребка (для каждого URL).
В идеале, скребок должен был бы go иметь максимальную глубину 2-5 страниц от каждой Начальный URL.
Вот что у меня есть:
Сначала я импортирую свои зависимости:
import os, re, csv, scrapy, logging
import pandas as pd
from scrapy.crawler import CrawlerProcess
from scrapy.linkextractors.lxmlhtml import LxmlLinkExtractor
from googlesearch import search
from time import sleep
from Urls import URL_List
И я отключаю журналы и предупреждения для использования Scrapy внутри Блокнот Jupyter:
logging.getLogger('scrapy').propagate = False
Оттуда я извлекаю URL-адреса из моего файла URL:
def get_urls():
urls = URL_List['urls']
Затем я настраиваю своего паука:
class MailSpider(scrapy.Spider):
name = 'email'
def parse(self, response):
Я ищу ссылки внутри URL.
links = LxmlLinkExtractor(allow=()).extract_links(response)
Затем принимаю в качестве входных данных список URL, считывая их исходные коды один за другим.
links = [str(link.url) for link in links]
links.append(str(response.url))
Я отправляю ссылки одним методом синтаксического анализа другому. И установите аргумент обратного вызова, который определяет, какому методу должен быть отправлен URL-адрес запроса.
for link in links:
yield scrapy.Request(url=link, callback=self.parse_link)
Затем я передаю URL-адреса методу parse_link - этот метод применяет регулярное выражение findall для поиска писем
def parse_link(self, response):
html_text = str(response.text)
mail_list = re.findall('\w+@\w+\.{1}\w+', html_text)
dic = {'email': mail_list, 'link': str(response.url)}
df = pd.DataFrame(dic)
df.to_csv(self.path, mode='a', header=False)
Список google_urls передается в качестве аргумента, когда мы вызываем метод процесса для запуска Spider, путь определяет, где сохранить файл CSV.
Затем я сохраняю эти электронные письма в файле CSV:
def ask_user(question):
response = input(question + ' y/n' + '\n')
if response == 'y':
return True
else:
return False
def create_file(path):
response = False
if os.path.exists(path):
response = ask_user('File already exists, replace?')
if response == False: return
with open(path, 'wb') as file:
file.close()
Для каждого веб-сайта я создаю фрейм данных со столбцами: [электронная почта, ссылка] и добавляю его к ранее созданному файлу CSV.
Затем я собираю все это вместе:
def get_info(root_file, path):
create_file(path)
df = pd.DataFrame(columns=['email', 'link'], index=[0])
df.to_csv(path, mode='w', header=True)
print('Collecting urls...')
google_urls = get_urls()
print('Searching for emails...')
process = CrawlerProcess({'USER_AGENT': 'Mozilla/5.0'})
process.crawl(MailSpider, start_urls=google_urls, path=path)
process.start()
print('Cleaning emails...')
df = pd.read_csv(path, index_col=0)
df.columns = ['email', 'link']
df = df.drop_duplicates(subset='email')
df = df.reset_index(drop=True)
df.to_csv(path, mode='w', header=True)
return df
get_urls()
Наконец, я определяю ключевое слово и запускаю скребок:
keyword = input("Who is the client? ")
df = get_info(f'{keyword}_urls.py', f'{keyword}_emails.csv')
В списке из 100 URL-адресов я получил 44 000 результатов с синтаксисом адресов электронной почты.
Кто-нибудь знает, как ограничить глубину?