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?
/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！
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
