爬虫实战(维基xx)

实战网页链接:https://www.britannica.com/topic/Wikipedia

我们可以看见网页文本上有超链接,我们可以在源码看见它们的代码:

我们开始写出简单的爬取,把它的链接全部拿取出来:

python 复制代码
import requests
from bs4 import BeautifulSoup

#https://www.britannica.com/topic/Wikipedia



headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36',
  'Cookie': '__cf_bm=tib6ICsQJxwj9fpQPz8vhpKt84n0pXOPK6DvV8P8vc4-1713585206-1.0.1.1-3MKOfelDBDRh.z5WLq1ddVtPSuJQ69Ewh9v4Wc.Ljkw9I_G3nUUNOw3W8AG_hXTrF_PojWo.D7_8N4Zn6UGGbw; __mendel=%7B%27pagesViewed%27%3A1%2C%27surveyShown%27%3Afalse%2C%27topicInitialSequence%27%3A0%7D; subreturn=https%3A%2F%2Fwww.britannica.com%2Ferror404; webstats=referer_page=https%3A%2F%2Fwww.britannica.com%2Ferror404'
}

r=requests.get("https://www.britannica.com/topic/Wikipedia")

html=r.text
bsObj=BeautifulSoup(html)

for link in bsObj.findAll("a"):
    if "href" in link.attrs:
        print(link.attrs['href'])

如下:(为爬取成功)

但是我们可以发现有一些是我们不需要的,还有一些URL是重复的,如文章链接,页眉,页脚......

1.URL链接不包括#、=、<、>。

2.URL链接是以/wiki/开头的。

深度优先的递归爬虫:

如下:

python 复制代码
import requests
from bs4 import BeautifulSoup
import re
import time

#https://www.britannica.com/topic/Wikipedia

exist_url=[]#放url
g_writecount=0

def scrappy(url,depth=1):
    global g_writecount
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36',
            'Cookie': '__cf_bm=tib6ICsQJxwj9fpQPz8vhpKt84n0pXOPK6DvV8P8vc4-1713585206-1.0.1.1-3MKOfelDBDRh.z5WLq1ddVtPSuJQ69Ewh9v4Wc.Ljkw9I_G3nUUNOw3W8AG_hXTrF_PojWo.D7_8N4Zn6UGGbw; __mendel=%7B%27pagesViewed%27%3A1%2C%27surveyShown%27%3Afalse%2C%27topicInitialSequence%27%3A0%7D; subreturn=https%3A%2F%2Fwww.britannica.com%2Ferror404; webstats=referer_page=https%3A%2F%2Fwww.britannica.com%2Ferror404'
        }
        url='https://www.britannica.com/topic/Wikipedia'+url
        r=requests.get(url,headers=headers)
        html=r.text
    except Exception as e:
        print('saveing',url)
        print(e)
        exist_url.append(url)
        return None

    exist_url.append(url)
    link_list=re.findall('<a href="/wiki/([^:#=<>]*?)".*?</a>',html)
    #去重复url
    unique_list=list(set(link_list)-set(exist_url))
    #放到txt文件里面
    for eachone in unique_list:
        g_writecount+=1
        output="NO."+str(g_writecount)+"\t Depth"+str(depth)+"\t"+url+'->'+eachone+'\n'
        print(output)
        with open('link_eqwaak.txt',"a+") as f:
            f.write(output)

        if depth<2:
            scrappy(eachone,depth+1)


scrappy("wiki")

url放入link_eqwaak.txt文件里面,直到深度大于或等于2.

下一节我们实现多线程网页爬取,提高代码的执行速度。

相关推荐
用针戳左手中指指头14 分钟前
AI小白搞AI之目标检测:王者荣耀画面识别
人工智能·python·yolo·目标检测·王者荣耀
星火开发设计19 分钟前
Java面向对象三大特性:封装、继承与多态的深度解析及实战
java·开发语言·microsoft·多态·继承·面向对象·封装
大学生毕业题目24 分钟前
毕业项目推荐:105-基于yolov8/yolov5/yolo11的烟草等级检测识别系统(Python+卷积神经网络)
人工智能·python·yolo·目标检测·cnn·pyqt·烟草等级
旅途中的宽~37 分钟前
【Python】pip install -v e .命令不想自动更新torch版本
开发语言·python·pip
lly20240638 分钟前
Vue3 指令详解
开发语言
_OP_CHEN1 小时前
【从零开始的Qt开发指南】(二十三)Qt 界面优化之 QSS 实战指南:从入门到精通,让你的界面颜值飙升!
开发语言·c++·qt·前端开发·界面美化·qss·客户端开发
海棠AI实验室1 小时前
第 3 篇:方案写作——SOW / 里程碑 / 验收标准 / 风险假设的标准模板
数据库·python
e***98571 小时前
Java性能优化实战:从原理到案例
java·开发语言·性能优化
HellowAmy1 小时前
我的C++规范 - 跳跃的对象
开发语言·c++·代码规范
lph0091 小时前
QtMqtt 的编译与QT环境加载配置
开发语言·qt