Python爬虫包 BeautifulSoup 递归抓取实例详解

Python爬虫包 BeautifulSoup  递归抓取实例详解

概要：

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 10:52:26from urllib2 import urlopenfrom bs4 import BeautifulSouphtml = 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：

from urllib2 import urlopenfrom bs4 import BeautifulSoupimport datetimeimport randomimport repages = 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 urlopenfrom bs4 import BeautifulSoupimport repages = 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("")