网络爬虫 - 以下链接

Posted 2023-02-23

【中文标题】网络爬虫 - 以下链接

【英文标题】：Web crawler - following links

【发布时间】：2016-05-26 22:51:48

【问题描述】：

请多多包涵。我对 Python 很陌生 - 但很有趣。我正在尝试编写一个网络爬虫，该爬虫会爬取丹麦上次公投的选举结果。我已设法从主页中提取所有相关链接。现在我希望 Python 跟踪 92 个链接中的每一个，并从每个页面收集 9 条信息。但我被困住了。希望你能给我一个提示。

这是我的代码：

import requests
import urllib2 
from bs4 import BeautifulSoup

# This is the original url http://www.kmdvalg.dk/

soup = BeautifulSoup(urllib2.urlopen('http://www.kmdvalg.dk/').read())

my_list = []
all_links = soup.find_all("a")

for link in all_links:
    link2 = link["href"]
    my_list.append(link2)

for i in my_list[1:93]:
    print i

# The output shows all the links that I would like to follow and gather information from. How do I do that?

【问题讨论】：

您能多说一下您想在每个链接中获取的 9 条信息吗？

哇——你们太棒了！我将不得不花一些时间尝试了解您的解决方案。我一了解他们就会回来。非常感谢！

@titipat：是的。看看这个子网站。我想抓取“stemmeberettigede / 可以投票的人数”、“Optalte stemmer / 计票”、“JA-stemmer / 投赞成票的人”、“NEJ-stemmer / 投反对票的人”、“Blanke Stemmer / 空白票”、“Ugyldige stemmer / Invalid votes”和市镇名称（在本例中为 Assenskredsen）

啊，我看到@Metods，我会尽快更新我的解决方案。对于lxml，它基本上会遍历每个 html 标签，您可以在简单的 Web 浏览器上通过 inspect 元素找到这些标签。 /text() 将抓取标签内的文本。

【参考方案1】：

这是我使用lxml 的解决方案。类似于BeautifulSoup

import lxml
from lxml import html
import requests

page = requests.get('http://www.kmdvalg.dk/main')
tree = html.fromstring(page.content)
my_list = tree.xpath('//div[@class="LetterGroup"]//a/@href') # grab all link
print 'Length of all links = ', len(my_list)

my_list 是一个包含所有链接的列表。现在您可以使用 for 循环来抓取每个页面内的信息。

我们可以循环遍历每个链接。在每个页面内，您可以提取信息作为示例。这仅适用于顶层表。

table_information = []
for t in my_list:
    page_detail = requests.get(t)
    tree = html.fromstring(page_detail.content)
    table_key = tree.xpath('//td[@class="statusHeader"]/text()')
    table_value = tree.xpath('//td[@class="statusText"]/text()') + tree.xpath('//td[@class="statusText"]/a/text()')
    table_information.append(zip([t]*len(table_key), table_key, table_value))

对于页面下方的表格，

table_information_below = []
for t in my_list:
    page_detail = requests.get(t)
    tree = html.fromstring(page_detail.content)
    l1 = tree.xpath('//tr[@class="tableRowPrimary"]/td[@class="StemmerNu"]/text()')
    l2 = tree.xpath('//tr[@class="tableRowSecondary"]/td[@class="StemmerNu"]/text()')
    table_information_below.append([t]+l1+l2)

希望对您有所帮助！

【参考方案2】：

这是我运行流畅的最终代码。请让我知道我是否可以做得更聪明！

import urllib2 
from bs4 import BeautifulSoup
import codecs

f = codecs.open("eu2015valg.txt", "w", encoding="iso-8859-1")

soup = BeautifulSoup(urllib2.urlopen('http://www.kmdvalg.dk/').read())

liste = []

alle_links = soup.find_all("a")

for link in alle_links:
    link2 = link["href"]
    liste.append(link2)

for url in liste[1:93]:
    soup = BeautifulSoup(urllib2.urlopen(url).read().decode('iso-8859-1'))
    tds = soup.findAll('td')
    stemmernu = soup.findAll('td', class_='StemmerNu')
    print >> f, tds[5].string,";",tds[12].string,";",tds[14].string,";",tds[16].string,";", stemmernu[0].string,";",stemmernu[1].string,";",stemmernu[2].string,";",stemmernu[3].string,";",stemmernu[6].string,";",stemmernu[8].string,";",'\r\n'

f.close()

【参考方案3】：

这将是我为您解决问题的方法

 import requests
from bs4 import BeautifulSoup


def spider():
    url = "http://www.kmdvalg.dk/main"
    source_code = requests.get(url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text, 'html.parser')

    for link in soup.findAll('div', 'class': 'LetterGroup'):
        anc = link.find('a')
        href = anc.get('href')

        print(anc.getText())
        print(href)
        # spider2(href) call a second function from here that is similar to this one(making url = to herf)
        spider2(href)
        print("\n")


def spider2(linktofollow):
    url = linktofollow
    source_code = requests.get(url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text, 'html.parser')

    for link in soup.findAll('tr', 'class': 'tableRowPrimary'):
        anc = link.find('td')

        print(anc.getText())
    print("\n")


spider()

它还没有完成......我只从表格中得到一个简单的元素，但你知道它应该如何工作。

【讨论】：

而不是 find('td') 在第二个功能中，您可以使用 findAll 使用您要查找的 td 类的名称。

【参考方案4】：

一种简单的方法是遍历您的 url 列表并单独解析它们：

for url in my_list:
    soup = BeautifulSoup(urllib2.urlopen(url).read())
    # then parse each page individually here

或者，您可以使用Futures 显着加快速度。

from requests_futures.sessions import FuturesSession

def my_parse_function(html):
    """Use this function to parse each page"""
    soup = BeautifulSoup(html)
    all_paragraphs = soup.find_all('p')
    return all_paragraphs

session = FuturesSession(max_workers=5)
futures = [session.get(url) for url in my_list]

page_results = [my_parse_function(future.result()) for future in results]

【讨论】：

这真是太棒了。由于您对遍历我的 url 列表的评论，我的脚本现在可以正常工作。

UPS - 没有完成。我相信此页面上的所有其他建议都更酷 - 但我选择我能理解的和平建议。谢谢。这是我的最终代码，如果你有建议让它更聪明，请告诉我。方法的最佳问候。