REDIT:试图避免只是把对论坛整个代码块,说我对其进行修复,但在这里它是,简单地确定错误的过程:如何将队列中的项目与集合中的项目进行比较?
#! /usr/bin/python2.6
import threading
import Queue
import sys
import urllib
import urllib2
from urlparse import urlparse
from lxml.html import parse, tostring, fromstring
THREAD_NUMBER = 1
class Crawler(threading.Thread):
def __init__(self, queue, mal_urls, max_depth):
self.queue = queue
self.mal_list = mal_urls
self.crawled_links = []
self.max_depth = max_depth
self.count = 0
threading.Thread.__init__(self)
def run(self):
while True:
if self.count <= self.max_depth:
self.crawled = set(self.crawled_links)
url = self.queue.get()
if url not in self.mal_list:
self.count += 1
self.crawl(url)
else:
#self.queue.task_done()
print("Malicious Link Found: {0}".format(url))
continue
else:
self.queue.task_done()
break
print("\nFinished Crawling! Reached Max Depth!")
sys.exit(2)
def crawl(self, tgt):
try:
url = urlparse(tgt)
self.crawled_links.append(tgt)
print("\nCrawling {0}".format(tgt))
request = urllib2.Request(tgt)
request.add_header("User-Agent", "Mozilla/5,0")
opener = urllib2.build_opener()
data = opener.open(request)
except: # TODO: write explicit exceptions the URLError, ValueERROR ...
return
doc = parse(data).getroot()
for tag in doc.xpath("//a[@href]"):
old = tag.get('href')
fixed = urllib.unquote(old)
self.queue_links(fixed, url)
def queue_links(self, link, url):
if link.startswith('/'):
link = "http://" + url.netloc + link
elif link.startswith("#"):
return
elif not link.startswith("http"):
link = "http://" + url.netloc + "/" + link
if link not in self.crawled_links:
self.queue.put(link)
self.queue.task_done()
else:
return
def make_mal_list():
"""Open various malware and phishing related blacklists and create a list
of URLS from which to compare to the crawled links
"""
hosts1 = "hosts.txt"
hosts2 = "MH-sitelist.txt"
hosts3 = "urls.txt"
mal_list = []
with open(hosts1) as first:
for line1 in first:
link = "http://" + line1.strip()
mal_list.append(link)
with open(hosts2) as second:
for line2 in second:
link = "http://" + line2.strip()
mal_list.append(link)
with open(hosts3) as third:
for line3 in third:
link = "http://" + line3.strip()
mal_list.append(link)
return mal_list
def main():
x = int(sys.argv[2])
queue = Queue.Queue()
mal_urls = set(make_mal_list())
for i in xrange(THREAD_NUMBER):
cr = Crawler(queue, mal_urls, x)
cr.start()
queue.put(sys.argv[1])
queue.join()
if __name__ == '__main__':
main()
所以我”网络蜘蛛首先创建了一组包含“恶意链接”的文本文件的行。然后启动一个线程,传递一组坏链接和sys.argv [1]。启动的线程然后调用从sys.argv [1]中检索lxml.html解析的抓取函数,然后在解析出该初始页面之外的所有链接之后,将它们放入队列中。循环继续,每个链接放置在队列中,并用self.queue.get()删除。然后将相应的链接与SUPPOSED进行比较,并与一组不良链接进行比较。如果链接发现不好,则应该将循环输出到屏幕,然后继续到下一个链接,除非它已经爬过该链接。
如果没有问题,抓取它,解析它,把它的链接放入队列等等,每次链接被抓取时递增一个计数器,直到计数器达到由作为sys传递的值.argv [2]。问题在于,它应该触发'if url not in mal_list'的if/else语句的项目不是,并且已放置在“crawled_already”列表中的链接正在被第2次,第3次和第4次抓取无论如何。
它是如何工作的?这似乎是完全有效的。 – mikerobi 2010-11-01 16:12:36
除非你错误地描述了你的问题,否则这里的队列是完全不相关的,你在测试'a not in x'中遇到了问题。 'a'是修改了'__hash__'或'__eq__'方法的自定义类吗?如果不是代码是好的,你需要提供一个更好的例子。 – katrielalex 2010-11-01 16:15:12
你让我了。那为什么我转向堆栈寻求帮助:) X是由一个函数创建的,该函数打开几个txt文件并在列表中添加所述文件的行,创建一个列表集合并返回集合。我将测试字符串放在其中一个文本文件的顶部,然后运行代码。 do_something部分实际上是一个网络蜘蛛功能。它保持正确的spidering,而不是调用do_something_else。 – Stev0 2010-11-01 16:17:25