python - 用 BeautifulSoup 爬行深度

Question

beautifulsoup 包中是否有允许用户设置站点内爬行深度的功能？我对 Python 比较陌生，但我之前在 R 中使用过 Rcrawler，Rcrawler 提供了“MaxDepth”，因此爬虫将进入该域内主页的一定数量的链接。

Rcrawler(Website = "https://stackoverflow.com/", no_cores = 4, no_conn = 4, ExtractCSSPat = c("div"), ****MaxDepth=5****)

我当前的 Python 脚本的基础是解析页面上的所有可见文本，但我想设置爬网深度。

from bs4 import BeautifulSoup
import bs4 as bs
import urllib.request

def tag_visible(element):
    if element.parent.name in ['style', 'script', 'head', 'title', 'meta', '[document]']:
        return False
    elif isinstance(element,bs.element.Comment):
        return False
    return True


def text_from_html(body):
    soup = BeautifulSoup(html, 'lxml')
    texts = soup.findAll(text=True)
    visible_texts = filter(tag_visible, texts)  
    return u" ".join(t.strip() for t in visible_texts)

html = urllib.request.urlopen('https://stackoverflow.com/').read()
print(text_from_html(html))

感谢任何见解或方向。

Answer 1

BeautifulSoup 中没有函数，因为BeautifulSoup 不是爬虫。
它只使用 HTML 解析字符串，因此您可以在 HTML 中搜索。

requests 中没有函数，因为requests 也不是crawler。
它只从服务器读取数据，因此您可以将它与 BeautifulSoup 或类似的工具一起使用。

如果你使用 BeautifulSoup 和 request 那么你必须自己做所有事情 - 你必须从头开始构建爬虫系统。

Scrapy是真正的爬虫(或者更确切地说是构建蜘蛛和爬网网络的框架)。
它有选项 DEPTH_LIMIT