Python爬蟲包 BeautifulSoup 遞歸抓取實例詳解
概要:
爬蟲的主要目的就是為了沿著網絡抓取所需的內容。它們的本質是一種遞歸的過程。它們首先需要取得網頁的內容,然後分析頁面內容並找到另一個URL,然後取得這個URL的頁面內容,不斷重複這一個過程。
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·貝肯詞條裡所有指向別的詞條的連結提取出來。
# -*- 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']
上面這個程式碼能夠將頁面上的所有超連結都提取出來。
/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可能會有一些重複的
其次,有一些URL是我們不需要的,如側邊欄、頁眉、頁腳、目錄欄連結等等。
所以透過觀察,我們可以發現所有指向詞條頁面的連結都有三個特點:
它們都在id是bodyContent的div標籤裡
URL連結不包含冒號
URL連結都是以/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getLinks的參數是/wiki/,並透過和維基百科的絕對路徑合併得到頁面的URL。透過正規表示式捕捉所有指向其他詞條的URL,並傳回給主函數。
主函數則透過呼叫遞歸getlinks並隨機存取一條沒有存取過的URL,直到沒有了詞條或主動停止為止。
這份程式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,所以需要人為地設定一個較大的遞歸計數器,或是用其他手段讓程式碼在迭代1000次之後還能運行。
感謝閱讀,希望能幫助大家,謝謝大家對本站的支持!
更多Python爬蟲包 BeautifulSoup 遞歸抓取實例詳解相關文章請關注PHP中文網!