Python Mechanize 迭代网站的所有网页

Question

我想迭代网站的所有网页。我尝试在这里使用 mechanize，但它只查看网站的主要链接。我该如何修改？

import mechanize
import lxml.html

br = mechanize.Browser()
response = br.open("http://www.apple.com")

for link in br.links():
    print link.url
    br.follow_link(link)  # takes EITHER Link instance OR keyword args
    print br
    br.back()

这是新代码:

import mechanize
import lxml.html

links  = set()                             
visited_links  = set()


def visit(br, url):
  response = br.open(url)
  links = br.links()
  for link in links:
    if not link.url in links:
      visited_links.add(link.url)  
      visit(br, link)
      print link.url


if __name__ == '__main__':
  br = mechanize.Browser()
  visit(br,"http://www.apple.com")

Answer 1

请注意，您要对每个链接执行的操作与您对初始链接执行的操作相同:获取页面并访问每个链接。你可以像这样递归地解决这个问题

def visit(br, url):
  response = br.open(url)
  links = br.links()
  for link in links:
    print link.url
    visit(br, link)

实践中会变得更加复杂:

1. 你需要检测循环，即如果a.html链接到b.html，而b.html链接到a.html，你不想打乒乓球并一直来回。因此，您可能需要某种方法来判断您是否已经访问过某个页面。由于您可能会发现很多页面，因此您应该有一种有效的方法来测试您是否已经访问过某个页面。一种直接的方法可能是拥有一个全局 Python set与看到的链接。

2. 您需要决定两个链接何时相等，例如应该http://www.apple.com/index.html和'http://www.apple.com/index.html#someAnchor ` 相等还是不相等？您可能需要对链接进行某种“标准化”。

3. 您的程序可能需要很长时间，并且它肯定会受到“I/O 限制”，即您的程序将坐在那里等待下载某些页面。您可以通过考虑并行访问多个页面来加速事情 - 他们需要使用共享 set但所见页面的数量，以便两个作业不会访问同一页面。