Python爬虫包 BeautifulSoup 学习（六）递归抓取

àì夳堔傛蜴生んèń 2022-07-13 04:39 278阅读 0赞

之前的代码都是对单个静态页面进行抓取，这是人为简化的例子。

爬虫的主要目的就是为了沿着网络抓取需要的内容。它们的本质是一种递归的过程。它们首先需要获得网页的内容，然后分析页面内容并找到另一个URL，然后获得这个URL的页面内容，不断重复这一个过程。

让我们以维基百科为一个例子。  
我们想要将维基百科中凯文·贝肯词条里所有指向**别的词条**的链接提取出来。

# -*- 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']

上面这个代码能够将页面上的所有超链接都提取出来。

/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，提取出来的URL可能会有一些重复的  
其次，有一些URL是我们不需要的，如侧边栏、页眉、页脚、目录栏链接等等。

所以通过观察，我们可以发现所有指向词条页面的链接都有三个特点：

*  它们都在id是bodyContent的div标签里
 *  URL链接不包含冒号
 *  URL链接都是以/wiki/开头的相对路径（也会爬到完整的有http开头的绝对路径）

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的参数是`/wiki/<词条名称>`，并通过和维基百科的绝对路径合并得到页面的URL。通过正则表达式捕获所有指向其他词条的URL，并返回给主函数。

主函数则通过调用递归getlinks并随机访问一条没有访问过的URL，直到没有了词条或者主动停止为止。

这份代码可以将整个维基百科都抓取下来

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("")

一般来说python的递归限制是1000次，所以需要人为地设置一个较大的递归计数器，或者用其他手段让代码在迭代1000次之后还能运行。