维基百科那些指向词条页面（不是指向其他内容页面）的链接有三个共同点：
? 它们都在id是bodyContent的div标签里
? URL链接不包含分号
? URL链接都以/wiki/开头
# -*- coding: utf-8 -*-
import re
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://en.wikipedia.org/wiki/Kevin_Bacon")
bsObj = BeautifulSoup(html, "lxml")
for link in bsObj.find("div", {"id":"bodyContent"}).findAll("a", href=re.compile("^(/wiki/)((?!:).)*$")):
if 'href' in link.attrs:
print(link.attrs['href'])运行以上代码，就会看到维基百科上凯文·贝肯词条里所有指向其他词条的链接。
简单地构建一个从一个页面到另一个页面的爬虫：
# -*- coding: utf-8 -*-
import re
import datetime
import random
from urllib.request import urlopen
from bs4 import BeautifulSoup
# 用系统当前时间生成一个随机数生成器
random.seed(datetime.datetime.now())
def getLinks(articleUrl):
html = urlopen("http://en.wikipedia.org"+articleUrl)
bsObj = BeautifulSoup(html ,"lxml")
return bsObj.find("div", {"id":"bodyContent"}).findAll("a", href=re.compile("^(/wiki/)((?!:).)*$"))
links = getLinks("/wiki/Kevin_Bacon")
while len(links) > 0:
newArticle = links[random.randint(0, len(links)-1)].attrs["href"]
print(newArticle)
links = getLinks(newArticle)程序首先把起始页面里的词条链接列表设置成链接列表。然后用一个循环，从页面中随机找一个词条链接标签并抽取href属性，打印这个页面链接，再把这个链接传入getLinks函数重新获取新的链接列表。
2、采集整个网站
首先要做的就是对链接去重，以避免一个页面被重复采集。
接着我们可以打印出“页面标题、正文的第一个段落，以及编辑页面的链接（如果有的话）”。
# -*- coding: utf-8 -*-
import re
from urllib.request import urlopen
from bs4 import BeautifulSoup
pages = set()
def getLinks(pageUrl):
global pages
html = urlopen("http://en.wikipedia.org"+pageUrl)
bsObj = BeautifulSoup(html, "lxml")
try:
print(bsObj.h1.get_text())
print(bsObj.find(id="mw-content-text").findAll("p")[0])
print(bsObj.find(id="ca-edit").find("span").find("a").attrs['href'])
except AttributeError:
print("页面缺少一些属性！不过不用担心！")
for link in bsObj.findAll("a", href=re.compile("^(/wiki/)")):
if 'href' in link.attrs:
if link.attrs['href'] not in pages:
# 我们遇到了新页面
newPage = link.attrs['href']
print("----------------\n"+newPage)
pages.add(newPage)
getLinks(newPage)
getLinks("")以上程序一开始用getLinks处理一个空URL（其实是维基百科的主页）。接着打印出需要输出的信息，然后遍历页面上的每个链接，并检查是否已经在全局变量集合pages里面了（已经采集的页面集合）。如果不在，就打印到屏幕上，并把链接加入pages 集合，再用getLinks递归地处理这个链接。
3、通过互联网采集
# -*- coding: utf-8 -*-
import re
import datetime
import random
from urllib.request import urlopen
from bs4 import BeautifulSoup
pages = set()
random.seed(datetime.datetime.now())
# 获取页面所有内链的列表
def getInternalLinks(bsObj, includeUrl):
internalLinks = []
# 找出所有以"/"开头的链接
for link in bsObj.findAll("a", href=re.compile("^(/|.*"+includeUrl+")")):
if link.attrs['href'] is not None:
if link.attrs['href'] not in internalLinks:
internalLinks.append(link.attrs['href'])
return internalLinks
# 获取页面所有外链的列表
def getExternalLinks(bsObj, excludeUrl):
externalLinks = []
# 找出所有以"http"或"www"开头且不包含当前URL的链接
for link in bsObj.findAll("a", href=re.compile("^(http|www)((?!"+excludeUrl+").)*$")):
if link.attrs['href'] is not None:
if link.attrs['href'] not in externalLinks:
externalLinks.append(link.attrs['href'])
return externalLinks
def splitAddress(address):
addressParts = address.replace("http://", "").split("/")
return addressParts
def getRandomExternalLink(startingPage):
html = urlopen(startingPage)
bsObj = BeautifulSoup(html, "lxml")
externalLinks = getExternalLinks(bsObj, splitAddress(startingPage)[0])
if len(externalLinks) == 0:
internalLinks = getInternalLinks(startingPage)
return getNextExternalLink(internalLinks[random.randint(0, len(internalLinks)-1)])
else:
return externalLinks[random.randint(0, len(externalLinks)-1)]
def followExternalOnly(startingSite):
externalLink = getRandomExternalLink("http://oreilly.com")
print("随机外链是："+externalLink)
followExternalOnly(externalLink)
followExternalOnly("http://oreilly.com")上面这个程序从http://oreilly.com开始，然后随机地从一个外链跳到另一个外链。
网站首页上并不能保证一直能发现外链。这时为了能够发现外链，就需要递归地深入一个网站直到找到一个外链才停止。如果爬虫遇到一个网站里面一个外链都没有，这时程序就会一直在这个网站运行跳不出去，直到递归到达Python的限制为止。
如果我们的目标是采集一个网站所有的外链，并且记录每一个外链，可以增加下面的函数：
allExtLinks = set()
allIntLinks = set()
def getAllExternalLinks(siteUrl):
html = urlopen(siteUrl)
bsObj = BeautifulSoup(html, 'lxml')
internalLinks = getInternalLinks(bsObj,splitAddress(siteUrl)[0])
externalLinks = getExternalLinks(bsObj,splitAddress(siteUrl)[0])
for link in externalLinks:
if link not in allExtLinks:
allExtLinks.add(link)
print(link)
for link in internalLinks:
if link not in allIntLinks:
print("即将获取链接的URL是："+link)
allIntLinks.add(link)
getAllExternalLinks(link)
getAllExternalLinks("http://oreilly.com")4、用Scrapy采集
创建Scrapy项目：在当前目录中会新建一个名称也是wikiSpider的项目文件夹。
scrapy startproject wikiSpider
在items.py文件中，定义一个Article类。
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # from scrapy import Item, Field class Article(Item): # define the fields for your item here like: # name = scrapy.Field() title = Field()
在wikiSpider/wikiSpider/spiders/文件夹里增加一个articleSpider.py文件。
from scrapy.selector import Selector
from scrapy import Spider
from wikiSpider.items import Article
class ArticleSpider(Spider):
name = "article"
allowed_domains = ["en.wikipedia.org"]
start_urls = ["http://en.wikipedia.org/wiki/Main_Page", "http://en.wikipedia.org/wiki/Python_%28programming_language%29"]
def parse(self, response):
item = Article()
title = response.xpath('//h1/text()')[0].extract()
print("Title is: " + title)
item['title'] = title
return item在wikiSpider主目录中用如下命令运行ArticleSpider：
scrapy startproject wikiSpider
陆续出现的调试信息中应该会这两行结果：
Title is: Main Page Title is: Python (programming language)
*可以在Scrapy项目中的setting.py文件中设置日志显示层级：
LOG_LEVEL = 'ERROR'
Scrapy日志有五种层级，按照范围递增顺序排列如下：CRITICAL，ERROR，WARNING，DEBUG，INFO
也可以输出（追加）到一个独立的文件中：
scrapy crawl article -s LOG_FILE=wiki.log Title is: Main Page Title is: Python (programming language)
Scrapy支持用不同的输出格式来保存这些信息，对应命令如下所示：
scrapy crawl article -o articles.csv -t csv scrapy crawl article -o articles.json -t json scrapy crawl article -o articles.xml -t xml
也可以自定义Item对象，把结果写入你需要的一个文件或数据库中，只要在爬虫的parse部分增加相应的代码即可。
原文地址：http://blog.51cto.com/9473774/2096292
