Python爬蟲包 BeautifulSoup 遞歸抓取實(shí)例詳解

更新時間：2017年01月28日 11:47:41 投稿：lqh

這篇文章主要介紹了Python爬蟲包 BeautifulSoup 遞歸抓取實(shí)例詳解的相關(guān)資料,需要的朋友可以參考下

Python爬蟲包 BeautifulSoup 遞歸抓取實(shí)例詳解

概要：

爬蟲的主要目的就是為了沿著網(wǎng)絡(luò)抓取需要的內(nèi)容。它們的本質(zhì)是一種遞歸的過程。它們首先需要獲得網(wǎng)頁的內(nèi)容，然后分析頁面內(nèi)容并找到另一個URL，然后獲得這個URL的頁面內(nèi)容，不斷重復(fù)這一個過程。

讓我們以維基百科為一個例子。

我們想要將維基百科中凱文·貝肯詞條里所有指向別的詞條的鏈接提取出來。

# -*- coding: utf-8 -*-
# @Author: HaonanWu
# @Date:  2016-12-25 10:35:00
# @Last Modified by:  HaonanWu
# @Last Modified time: 2016-12-25 10:52:26
from urllib2 import urlopen
from bs4 import BeautifulSoup

html = urlopen('http://en.wikipedia.org/wiki/Kevin_Bacon')
bsObj = BeautifulSoup(html, "html.parser")

for link in bsObj.findAll("a"):
  if 'href' in link.attrs:
    print link.attrs['href']

上面這個代碼能夠?qū)㈨撁嫔系乃谐溄佣继崛〕鰜怼?/p>

/wiki/Wikipedia:Protection_policy#semi
#mw-head
#p-search
/wiki/Kevin_Bacon_(disambiguation)
/wiki/File:Kevin_Bacon_SDCC_2014.jpg
/wiki/San_Diego_Comic-Con
/wiki/Philadelphia
/wiki/Pennsylvania
/wiki/Kyra_Sedgwick

首先，提取出來的URL可能會有一些重復(fù)的

其次，有一些URL是我們不需要的，如側(cè)邊欄、頁眉、頁腳、目錄欄鏈接等等。

所以通過觀察，我們可以發(fā)現(xiàn)所有指向詞條頁面的鏈接都有三個特點(diǎn)：

它們都在id是bodyContent的div標(biāo)簽里
URL鏈接不包含冒號
URL鏈接都是以/wiki/開頭的相對路徑（也會爬到完整的有http開頭的絕對路徑）

from urllib2 import urlopen
from bs4 import BeautifulSoup
import datetime
import random
import re

pages = set()
random.seed(datetime.datetime.now())
def getLinks(articleUrl):
  html = urlopen("http://en.wikipedia.org"+articleUrl)
  bsObj = BeautifulSoup(html, "html.parser")
  return bsObj.find("div", {"id":"bodyContent"}).findAll("a", href=re.compile("^(/wiki/)((?!:).)*$"))

links = getLinks("/wiki/Kevin_Bacon")
while len(links) > 0:
  newArticle = links[random.randint(0, len(links)-1)].attrs["href"]
  if newArticle not in pages:
    print(newArticle)
    pages.add(newArticle)
    links = getLinks(newArticle)

其中g(shù)etLinks的參數(shù)是/wiki/<詞條名稱>，并通過和維基百科的絕對路徑合并得到頁面的URL。通過正則表達(dá)式捕獲所有指向其他詞條的URL，并返回給主函數(shù)。

主函數(shù)則通過調(diào)用遞歸getlinks并隨機(jī)訪問一條沒有訪問過的URL，直到?jīng)]有了詞條或者主動停止為止。

這份代碼可以將整個維基百科都抓取下來

from urllib.request import urlopen
from bs4 import BeautifulSoup
import re

pages = set()
def getLinks(pageUrl):
  global pages
  html = urlopen("http://en.wikipedia.org"+pageUrl)
  bsObj = BeautifulSoup(html, "html.parser")
  try:
    print(bsObj.h1.get_text())
    print(bsObj.find(id ="mw-content-text").findAll("p")[0])
    print(bsObj.find(id="ca-edit").find("span").find("a").attrs['href'])
  except AttributeError:
    print("This page is missing something! No worries though!")

  for link in bsObj.findAll("a", href=re.compile("^(/wiki/)")):
    if 'href' in link.attrs:
      if link.attrs['href'] not in pages:
        #We have encountered a new page
        newPage = link.attrs['href']
        print("----------------\n"+newPage)
        pages.add(newPage)
        getLinks(newPage)
getLinks("")

一般來說Python的遞歸限制是1000次，所以需要人為地設(shè)置一個較大的遞歸計(jì)數(shù)器，或者用其他手段讓代碼在迭代1000次之后還能運(yùn)行。

感謝閱讀，希望能幫助到大家，謝謝大家對本站的支持！

您可能感興趣的文章: