def start():
url_list = ['https:' 'vietnamnet.vn'] #Chứa các đường link sẽ được duyệt
history = [] #Chứa các đường link đã duyệt
max_page = 1000 #Quy định số lượng trang web được tải về
data_folder = "C:\\Users\\DELL\\Downloads\\Crawl\\"
#Kịch bản tải các trang web
while (count < max_page) and (len(url_list) > 0):
url = url_list.pop(0)
page = web_op.doc_noi_dung(url)
links = web_op.lay_cac_duong_link(page)
for item in links: #Duyệt từng đường link thu được để kiểm tra tính hợp lệ
if web_op.kiem_tra_link(
item
): # Nếu đường link là hợp lệ thì tiếp tục thuwucj hiện đoạn lệnh bên dưới
item = web_op.chinh_sua_link(
item) # Chỉnh sửa nếu thiếu phần https://...
if not (
(item in url_list) and (item in history)
): # Nếu đường link chưa hề được duyệt và chưa có trong hàng đợi
url_list.append(
item) # Thêm đường link mới vào danh sách chờ duyệt
folder_op.luu_noi_dung_xuong_file(page, data_folder)
history.append(url)
count += 1
# Press the green button in the gutter to run the script.
if __name__ == '__main__':
start()
def start():
#Nhóm các biến toàn cục cung cấp thông số cho chương trình
url_list = ['http:' 'vietnamnet.vn'] #Chứa các đường link sẽ được duyệt
history = [] #Chứa các đường link đã duyệt
max_page = 1000 #Quy định số lượng trang web được tải về
count = 0 #Đếm số lượng trang web đã tải về
data_folder = "C:\\Users\\DELL\\Downloads\\crawl\\"
#Kịch bản tải các trang web
while (count < max_page) and (len(url_list) > 0):
url = url_list.pop(0)
page = web_op.doc_noi_dung(url)
links = web_op.lay_cac_duong_link(page)
for item in links: #Duyệt từng đường link thu được để kiểm tra tính hợp lệ
if web_op.kiem_tra_link(
item
): #Nếu đường link là hợp lệ thì tiếp tục thực hiện đoạn lệnh dưới
item = web_op.chinh_sua_link(
item) #Chỉnh sửa phần http://.......
if not (
(item in url_list) and (item in history)
): #Nếu đường link chưa hề được duyệt và chưa có trong hàng đợi
url_list.append(
item) #Thêm đường link mới vào danh sách chờ duyệt
folder_op.luu_noi_dung_file(page, data_folder)
history.append(url)
count += 1
def start():
url_list = ["https://vietnamnet.vn/"]
url_list_const = 10000
history = []
max_page = 100
count = 0
folder_op.kiem_tra("C:\\")
thu_muc_luu_du_lieu = 'C:\\crawl'
#kịch bản các đường dẫn
while (count < max_page) and (len(url_list) > 0):
url_new = []
url = url_list.pop(0)
page = web_op.doc_noi_dung(url)
links = web_op.lay_cac_duong_link(page)
for item in links:
if web_op.kiem_tra_link(item) == False:
item = web_op.chinh_sua_link(url, item)
if (item not in url_list) and (item not in history) and (
item not in url_new) and (item != url):
url_new.append(item)
if (len(url_list) + len(url_new) <= url_list_const):
url_list = url_list + url_new
else:
check = int(url_list_const - len(url_list))
array = url_new[:check]
url_list = url_list + array
count += 1
history.append(url)
ten_thu_muc = folder_op.tao_ten_thu_muc_tu_dong(
thu_muc_luu_du_lieu, url)
folder_op.luu_file(page, ten_thu_muc)
folder_op.luu_lich_su_cac_url(url)
print("Đã duyệt " + str(count) + " url")
def start():
url_list = ['https://vietnamnet.vn/']
history = [] # chứa các đường link đã được duyệt
max_page = 100 # quy định số lượng trang web được tải về
count = 0 # đếm số lượng trang web đã tải về
data_folder = "crawl"
folder_op.folder(data_folder)
# kịch bản tải các trang web
while (count < max_page) and (len(url_list) > 0):
url = url_list.pop(0)
page = web_op.doc_noi_dung(url)
links = web_op.lay_duong_link((page))
for item in links:
if not web_op.kiem_tra_link(item):
item = web_op.chinh_sua_link("https://vietnamnet.vn/", item)
if not ((item in url_list) and (item in history)):
url_list.append(item)
count += 1
folder_op.luu_noi_dung(count, page)
print('Đang tải...')
print(f'{count} : {url}')
history.append(url)
def start(): url_list = ['https:''vietnamnet.vn'] #Chứa các đường link được duyệt history = [] #Chứa các đường link đã duyệt max_page = 1000 #Quy định số lượng trang web được tải về court = 0 #Đếm số lượng trang web đã tải về data-folder = "c:\\Users\\MyPC\\Doawload\\crawwl" #Kích bản tải trang web While (count < max_page) and (len(url_list) >0): url = url_list.pop(0) page = web_op.doc_noi_dung(url) links = web_op.lay_cac_duong_link(page)
def start():
url =str(input("Nhập url cần tải : ")) #Chứa các đường link chưa duyệt
n = int(input("Nhập giới hạn trang cần tải về :"))
url_list = [] #Danh sách các đường link hàng chờ
history=[] #Chứa các đường link đã duyệt
max_page= n #Quy định số lượng trang web được tải về
folder_op.check_folder("C:\\") #Kiểm tra và tạo thư mục Web Crawler
data_folder = 'C:\\Web Crawler' #Lưu dữ liệu vào bên trong thư mục Web Crawler
count=0 #Đếm số lượng trang web đã tải
url_list.append(str(url)) #Thêm đường dẫn vào danh sách hàng chờ
#kịch bản các trang web
while (count < max_page) and (len(url_list) > 0):
url = str(url_list.pop(0))
page = web_op.doc_noi_dung(url)
links = web_op.lay_cac_duong_link(page)
url_new = [] #Danh sách chứa các đường link mới được tìm thấy
url_new_max = 1000 #Số lượng tối đa mà danh sách mới tìm thấy có thể chứa
for item in links: #Duyệt từng đường link thu được để kiểm tra tính hợp lệ
if web_op.kiem_tra_link(item) == False: #Kiểm tra tính hợp lệ
item = web_op.chinh_sua_link(url, item)
url_new.append(item)
else:
if (item not in url_list) and (item in history) and (item not in url_new) and (item != url):
if len(url_new)<=url_new_max: #Nếu danh sách đường link mới lớn hơn số lượng tối đa mà danh sách cho phép thì dừng lại
continue
else:
url_new.append(item) #Thêm vào danh sách mới để chờ duyệt
url_list = url_list + url_new
count += 1 #Đếm số đường dẫn đã duyệt
history.append(url) #Lưu lại đường dẫn vừa mới nhận được vào lịch sử
data1 = [page, url, url_new, url_new_max]
ten_folder = folder_op.tao_ten_file_tu_dong(data_folder,url)
folder_op.luu_file(data1, ten_folder)
folder_op.luu_lich_su_cac_url(url)
print("Đã duyệt\t", url)
def start():
url_list = ['https://vietnamnet.vn/']
history = [] # chứa các đường link đã được duyệt
max_page = 10 # quy định số lượng trang web được tải về
count = 0 # đếm số lượng trang web đã tải về
data_folder = "./crawl-" + str(
datetime.datetime.now().strftime("%m%d%Y%H%M%S"))
folder_op.create_directory(data_folder)
# kịch bản tải các trang web
while (count < max_page) and (len(url_list) > 0):
url = url_list.pop(0)
print("Processing", url)
page = web_op.doc_noi_dung(url)
links = web_op.lay_duong_link((page))
for item in links:
if not web_op.kiem_tra_link(item):
item = web_op.chinh_sua_link("https://vietnamnet.vn/", item)
if not ((item in url_list) and (item in history)):
url_list.append(item)
folder_op.luu_noi_dung(page, data_folder, count)
history.append(url)
count += 1
