python - 使用python查找链接页面以定位页面

Question

我正在创建一个程序，给定维基百科上的起始页面和目标页面，通过每个页面上的超链接从起始页面导航到目标页面。例如，如果我们有起始页面 A 和目标页面 B，并且 A 链接到 C，C 链接到 B，我们可以通过 A -> C -> B 从 A 到达 B。

我尝试过使用漂亮的汤，但我是网络抓取的新手。到目前为止，我已经从页面中提取了 html 并对链接进行了排序。到目前为止我的代码是这样的:

from urllib.request import urlopen
from bs4 import BeautifulSoup
import re

html = urlopen("https://en.wikipedia.org/wiki/Web_Bot")
bs = BeautifulSoup(html, "lxml")
links = bs.find("div", {"id": "bodyContent"}).findAll("a", 
href=re.compile("^(/wiki/)((?!:).)*$"))

for link in links:
    if "href" in link.attrs:
        print(link.attrs["href"])

我的问题是:如何通过页面上的链接从一个页面移动到下一个页面？

Answer 1

一般来说，您要实现的目标并不是一项微不足道的任务。还有几个单独的问题需要解决。

问题 1:跟踪您已经访问过的所有链接和尚未访问的链接

问题 2:知道何时停止。如果您正在抓取的网站非常小，那么您可以希望在一段时间后您会简单地找到所有可能的链接并且您的抓取就会结束。

问题 3:根据知道哪个页面链接到哪个页面来找到路径。现在可能的解决方案:

问题 1. 解决方案 A:使用队列和集合。在每一步中，将当前页面链接放入一组访问过的链接中，从页面获取链接，检查是否其中任何一个已经在一组访问过的链接中，将新链接添加到队列中。然后从队列中选择下一个链接进行访问。非常简单的方法，特别是如果您的爬虫可以花时间。这将按顺序执行所有操作。一页接着一页。

问题 1. 解决方案 B:花 1-2 小时阅读 Scrapy 并尝试使用 Scrapy 实现爬虫。它将为您执行多线程处理，并提供查找链接的工具(类似于您在 BeautifulSoup 中执行此操作的方式)。优势:许多功能已经实现，例如导出为 CSV、JSON 以供进一步处理、日志记录、抓取统计信息等。

问题 2. 解决方案 A。 这取决于。如果您正在寻找任何特定路径，那么您可以在到达目标页面后立即停止，然后您可以重建从 A 到 B 的路径。

问题 2. 解决方案 B。如果您正在寻找最短路径或能够为任何给定的 A 和 B 找到 A 和 B 之间的路径，那么您可以通过数量限制您的爬行酒花。假设您从页面 A 开始，它有指向 B1、B2 和 B3 的链接。你访问它们并给它们序号 1。那些 B 页面有指向 C1、C2、C3、C4、C5 的链接——你访问这些页面并给它们序号 2。你继续直到到达序号 X，这意味着这些页面离您的起始页有 X 跳。这将确保您限制抓取时间。

问题 3. 解决方案 A。 当您从页面 A 转到 B1、B2、B3 页面时，您“附加一个解析器”，上面写着“A”。这意味着可以从页面 A 访问这些页面。您访问的每个新页面还必须保留有关可以从何处访问的信息。然后使用 DFS 或 BFS 算法在该组链接页面中找到路径。

问题 3. 解决方案 B。您维护一个列表，而不是仅保留对上一页的引用。如果您从 A 访问 B，您的 B 链接将以“A”作为指向它的路径。但是，如果您从 B 访问 C，您会将 B 添加到现有路径，而 C 将包含“A->B”，依此类推。这意味着对于每个链接，您最终都会有一条从 A 到该链接的路径。如果您对从 A 到任何其他页面的任何路径感兴趣，效果很好。

问题 3. 解决方案 C. 当您从每个页面中提取所有链接时，您构建了一个 map ，其中您的页面是键，它包含的链接列表是值。这与方法 A 有点相反。不是子级引用父页面，而是让父级页面列出其子级。在这种情况下，您也可以使用 DFS 或 WFS 算法来查找任意两个页面之间的路径。