python - 使用 BeautifulSoup 从未知数量的页面中抓取数据

Question

我想从数据分布在多个页面中的网站解析一些信息。

问题是我不知道有多少页。可能有 2 个，但也可能有 4 个，甚至只有一页。

当我不知道会有多少页时，如何遍历页面？

不过我知道 url 模式，它看起来像下面的代码。

此外，页面名称不是纯数字，但它们在第 2 页的 'pe2' 和第 3 页的 'pe4' 等中。所以不能只是循环范围(数字)。

这是我正在尝试修复的循环的伪代码。

pages=['','pe2', 'pe4', 'pe6', 'pe8',]

import requests 
from bs4 import BeautifulSoup
for i in pages:
    url = "http://www.website.com/somecode/dummy?page={}".format(i)
    r = requests.get(url)
    soup = BeautifulSoup(r.content)
    #rest of the scraping code

Answer 1

可以使用while循环，遇到异常就停止运行。

代码:

from bs4 import BeautifulSoup
from time import sleep
import requests 

i = 0
while(True):
    try:
        if i == 0:
            url = "http://www.website.com/somecode/dummy?page=pe"
        else:
            url = "http://www.website.com/somecode/dummy?page=pe{}".format(i)
        r = requests.get(url)
        soup = BeautifulSoup(r.content, 'html.parser')

        #print page url
        print(url)

        #rest of the scraping code

        #don't overflow website
        sleep(2)

        #increase page number
        i += 2
    except:
        break

输出:

http://www.website.com/somecode/dummy?page
http://www.website.com/somecode/dummy?page=pe2
http://www.website.com/somecode/dummy?page=pe4
http://www.website.com/somecode/dummy?page=pe6
http://www.website.com/somecode/dummy?page=pe8
...
... and so on, until it faces an Exception.