- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
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?
最佳答案
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。
关于python - 使用python查找链接页面以定位页面,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55107455/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!