操作系统 Centos 6.9 X86 catch website info
使用 Python 编写一个网站爬虫程序，支持参数如下： spider.py -u url -d deep -f logfile -l loglevel(1-5) --testself -thread number --dbfile filepath --key=”HTML5”
参数说明：
- -u 指定爬虫开始地址
- -d 指定爬虫深度
- --thread 指定线程池大小，多线程爬取页面，可选参数，默认10
- --dbfile 存放结果数据到指定的数据库（sqlite）文件中
- --key 页面内的关键词，获取满足该关键词的网页，可选参数，默认为所有页面
- -l 日志记录文件记录详细程度，数字越大记录越详细，可选参数，默认spider.log
- --testself 程序自测，可选参数
功能描述：
- 指定网站爬取指定深度的页面，将包含指定关键词的页面内容存放到sqlite3数据库文件中
- 程序每隔10秒在屏幕上打印进度信息
- 支持线程池机制，并发爬取网页
- 代码需要详尽的注释，自己需要深刻理解该程序所涉及到的各类知识点
- 需要自己实现线程池
提示1：使用 re（正则表达式、文本解析）、urllib/urllib2、beautifulsoup/lxml2i(从html和xml文件中提取数据)、threading（多线程）、optparse（命令行参数）、Queue（队列操作）、sqlite3（数据库）、logger(日志)、doctest（测试） 等模块
提示2：注意是“线程池”而不仅仅是多线程
提示3：爬取 sina.com.cn 或其它你喜欢的目标网站，要求两级深度要能正常结束
建议程序可分阶段，逐步完成编写，例如：
- 版本1：spider1.py -u url -d deep
- 版本2：spider3.py -u url -d deep -l logfile --loglevel(1-5) --testself
- 版本3：spider3.py -u url -d deep -l logfile --loglevel(1-5) --testself -thread number
- 版本4：剩下所有功能