码农知识堂 - 1000bd
  •   Python
  •   PHP
  •   JS/TS
  •   JAVA
  •   C/C++
  •   C#
  •   GO
  •   Kotlin
  •   Swift
  • 爬虫实战(维基xx)


    实战网页链接:https://www.britannica.com/topic/Wikipedia

    我们可以看见网页文本上有超链接,我们可以在源码看见它们的代码:

    我们开始写出简单的爬取,把它的链接全部拿取出来:

    1. import requests
    2. from bs4 import BeautifulSoup
    3. #https://www.britannica.com/topic/Wikipedia
    4. headers = {
    5. 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36',
    6. 'Cookie': '__cf_bm=tib6ICsQJxwj9fpQPz8vhpKt84n0pXOPK6DvV8P8vc4-1713585206-1.0.1.1-3MKOfelDBDRh.z5WLq1ddVtPSuJQ69Ewh9v4Wc.Ljkw9I_G3nUUNOw3W8AG_hXTrF_PojWo.D7_8N4Zn6UGGbw; __mendel=%7B%27pagesViewed%27%3A1%2C%27surveyShown%27%3Afalse%2C%27topicInitialSequence%27%3A0%7D; subreturn=https%3A%2F%2Fwww.britannica.com%2Ferror404; webstats=referer_page=https%3A%2F%2Fwww.britannica.com%2Ferror404'
    7. }
    8. r=requests.get("https://www.britannica.com/topic/Wikipedia")
    9. html=r.text
    10. bsObj=BeautifulSoup(html)
    11. for link in bsObj.findAll("a"):
    12. if "href" in link.attrs:
    13. print(link.attrs['href'])

     如下:(为爬取成功)

     

    但是我们可以发现有一些是我们不需要的,还有一些URL是重复的,如文章链接,页眉,页脚......

    1.URL链接不包括#、=、<、>。

    2.URL链接是以/wiki/开头的。

    深度优先的递归爬虫:

    如下:

    1. import requests
    2. from bs4 import BeautifulSoup
    3. import re
    4. import time
    5. #https://www.britannica.com/topic/Wikipedia
    6. exist_url=[]#放url
    7. g_writecount=0
    8. def scrappy(url,depth=1):
    9. global g_writecount
    10. try:
    11. headers = {
    12. 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36',
    13. 'Cookie': '__cf_bm=tib6ICsQJxwj9fpQPz8vhpKt84n0pXOPK6DvV8P8vc4-1713585206-1.0.1.1-3MKOfelDBDRh.z5WLq1ddVtPSuJQ69Ewh9v4Wc.Ljkw9I_G3nUUNOw3W8AG_hXTrF_PojWo.D7_8N4Zn6UGGbw; __mendel=%7B%27pagesViewed%27%3A1%2C%27surveyShown%27%3Afalse%2C%27topicInitialSequence%27%3A0%7D; subreturn=https%3A%2F%2Fwww.britannica.com%2Ferror404; webstats=referer_page=https%3A%2F%2Fwww.britannica.com%2Ferror404'
    14. }
    15. url='https://www.britannica.com/topic/Wikipedia'+url
    16. r=requests.get(url,headers=headers)
    17. html=r.text
    18. except Exception as e:
    19. print('saveing',url)
    20. print(e)
    21. exist_url.append(url)
    22. return None
    23. exist_url.append(url)
    24. link_list=re.findall('',html)
    25. #去重复url
    26. unique_list=list(set(link_list)-set(exist_url))
    27. #放到txt文件里面
    28. for eachone in unique_list:
    29. g_writecount+=1
    30. output="NO."+str(g_writecount)+"\t Depth"+str(depth)+"\t"+url+'->'+eachone+'\n'
    31. print(output)
    32. with open('link_eqwaak.txt',"a+") as f:
    33. f.write(output)
    34. if depth<2:
    35. scrappy(eachone,depth+1)
    36. scrappy("wiki")

    url放入link_eqwaak.txt文件里面,直到深度大于或等于2.

    下一节我们实现多线程网页爬取,提高代码的执行速度。

  • 相关阅读:
    K8S-存储(ConfigMap、Secret、Volume、PVC/PV)
    TensorFlow深度学习!构建神经网络预测股票价格!⛵
    TCP/IP 七层架构模型
    都说Dapper性能好,突然就遇到个坑,还是个性能问题
    手机浏览器风生水起,多御安全浏览器手机版升级上线
    软件测试人员必须知道的接口测试基础
    多团队协同开发的18条实践
    Spring Cloud Gateway从数据库读取并更新Cors配置
    Redis学习笔记-跳跃表
    LeetCode——动态规划篇(六)
  • 原文地址:https://blog.csdn.net/eqwaak0/article/details/137995104
  • 最新文章
  • 攻防演习之三天拿下官网站群
    数据安全治理学习——前期安全规划和安全管理体系建设
    企业安全 | 企业内一次钓鱼演练准备过程
    内网渗透测试 | Kerberos协议及其部分攻击手法
    0day的产生 | 不懂代码的"代码审计"
    安装scrcpy-client模块av模块异常,环境问题解决方案
    leetcode hot100【LeetCode 279. 完全平方数】java实现
    OpenWrt下安装Mosquitto
    AnatoMask论文汇总
    【AI日记】24.11.01 LangChain、openai api和github copilot
  • 热门文章
  • 十款代码表白小特效 一个比一个浪漫 赶紧收藏起来吧!!!
    奉劝各位学弟学妹们,该打造你的技术影响力了!
    五年了,我在 CSDN 的两个一百万。
    Java俄罗斯方块,老程序员花了一个周末,连接中学年代!
    面试官都震惊,你这网络基础可以啊!
    你真的会用百度吗?我不信 — 那些不为人知的搜索引擎语法
    心情不好的时候,用 Python 画棵樱花树送给自己吧
    通宵一晚做出来的一款类似CS的第一人称射击游戏Demo!原来做游戏也不是很难,连憨憨学妹都学会了!
    13 万字 C 语言从入门到精通保姆级教程2021 年版
    10行代码集2000张美女图,Python爬虫120例,再上征途
Copyright © 2022 侵权请联系2656653265@qq.com    京ICP备2022015340号-1
正则表达式工具 cron表达式工具 密码生成工具

京公网安备 11010502049817号