def parse(self,url,path):
f=open(path)
data=f.read()
f.close()
ext=funcs.get_url_ext(url)
if ext in ('php','html','htm','asp','aspx','jsp'):
data,coding=funcs.decode_data(data)
soup=BeautifulSoup(str(data),'html5lib',from_encoding='utf-8')
urls,css_urls,js_urls,img_urls=self.get_link(soup)
all_hrefs=css_urls+js_urls+urls+img_urls
self.item.url=url
self.item.content=str(soup) #使用修改后的数据
self.item.coding=coding #内容编码
self.item.all_hrefs=all_hrefs
self.item=self.update_css_js(self.item)
content=str(self.item.content).encode(self.item.coding,'ignore')
else:
content=data
patt='[\s\S]+?(/media/html/[\s\S]+)'
m=re.search(patt,path)
if m:
save_path=S_save_root_dir+m.group(1)
else:
print path,'is a wrong path'
save_path=''
if save_path:
print save_path
if self.check_dir_path(os.path.dirname(save_path)):
f=open(save_path,'w')
f.write(content)
f.close()
def parse(self,response):
'''分析网页内容'''
response.url = response.url.strip()
ext=funcs.get_url_ext(response.url) #获取文件扩展名
#wiki 的css页面为http://bits.wikimedia.org开头的php，不分析
#if (ext not in settings.S_img_ext) and (ext not in ('css','js')) and not response.url.startswith('http://bits.wikimedia.org'):
if funcs.is_need_modify(response.url):
data,coding=funcs.decode_data(response.body)
soup=BeautifulSoup(str(data),'lxml',from_encoding='utf-8')
soup,urls,css_urls,js_urls,img_urls=self.get_link(soup)
all_urls=css_urls+js_urls+urls+img_urls
for url in all_urls:
vurl=funcs.valid_url(response.url,url).strip() #判断是否有效链接
if vurl != '':
#下载简体中文的网页
vurl = funcs.translate_simplify( vurl )
_url=funcs.decode_data(vurl)[0].encode('utf-8')
print _url
if _url:
vurl=_url
yield Request(vurl)
item=Item()
item.url=response.url
item.soup=soup
item.content=str(soup) #使用修改后的数据
item.coding=coding #内容编码
item.file_length=int(len(response.body)) #原始文件大小
yield item
else:
item=Item()
item.url=response.url
item.soup=None
item.content=response.body #使用修改后的数据
item.coding='' #内容编码
item.file_length=int(len(response.body)) #原始文件大小
yield item
