Python爬虫包 BeautifulSoup 递归抓取

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: -12-25 10:35:00# @Last Modified by: HaonanWu# @Last Modified time: -12-25 10:52:26from urllib2 import urlopenfrom bs4 import BeautifulSouphtml = urlopen('/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_.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 urlopenfrom bs4 import BeautifulSoupimport datetimeimport randomimport repages = set()random.seed(datetime.datetime.now())def getLinks(articleUrl):html = urlopen(""+articleUrl)bsObj = BeautifulSoup(html, "html.parser")return bsObj.find("div", {"id":"bodyContent"}).findAll("a", href=pile("^(/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 urlopenfrom bs4 import BeautifulSoupimport repages = set()def getLinks(pageUrl):global pageshtml = urlopen(""+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=pile("^(/wiki/)")):if 'href' in link.attrs:if link.attrs['href'] not in pages:#We have encountered a new pagenewPage = 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。

如果觉得《Python爬虫包 BeautifulSoup 递归抓取》对你有帮助，请点赞、收藏，并留下你的观点哦！