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/<詞條名稱>，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！
