侯体宗的博客
  • 首页
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

Python爬虫获取整个站点中的所有外部链接代码示例

Python  /  管理员 发布于 7年前   171

收集所有外部链接的网站爬虫程序流程图

下例是爬取本站python绘制条形图方法代码详解的实例,大家可以参考下。

完整代码:

#! /usr/bin/env python#coding=utf-8import urllib2from  bs4 import BeautifulSoupimport reimport datetimeimport randompages=set()random.seed(datetime.datetime.now())#Retrieves a list of all Internal links found on a pagedef getInternalLinks(bsObj, includeUrl):        internalLinks  =  []        #Finds all links  that  begin  with  a  "/"        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#Retrieves a list of all external links found on a pagedef getExternalLinks(bsObj, excludeUrl):        externalLinks  =  []        #Finds all links  that  start  with  "http" or "www"  that  do        #not  contain the current URL        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 externalLinksdef splitAddress(address):        addressParts  =  address.replace("http://", "").split("/")        return addressPartsdef getRandomExternalLink(startingPage):        html=  urllib2.urlopen(startingPage)        bsObj  =  BeautifulSoup(html)        externalLinks  =  getExternalLinks(bsObj, splitAddress(startingPage)[0])        if len(externalLinks) == 0:    internalLinks  =  getInternalLinks(startingPage)    return internalLinks[random.randint(0, len(internalLinks)-1)]        else:    return externalLinks[random.randint(0, len(externalLinks)-1)]def followExternalOnly(startingSite):        externalLink=getRandomExternalLink("///article/130968.htm")        print("Random  external  link  is: "+externalLink)        followExternalOnly(externalLink)#Collects a list of all external URLs found on the siteallExtLinks=set()allIntLinks=set()def getAllExternalLinks(siteUrl):    html=urllib2.urlopen(siteUrl)    bsObj=BeautifulSoup(html)    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("About to get link:"+link)        allIntLinks.add(link)        getAllExternalLinks(link)getAllExternalLinks("///article/130968.htm")

爬取结果如下:

总结

以上就是本文关于Python爬虫获取整个站点中的所有外部链接代码示例的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题,如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!


  • 上一条:
    Python简单计算数组元素平均值的方法示例
    下一条:
    Python之web模板应用
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在windows10中升级go版本至1.24后LiteIDE的Ctrl+左击无法跳转问题解决方案(0个评论)
    • 智能合约Solidity学习CryptoZombie第四课:僵尸作战系统(0个评论)
    • 智能合约Solidity学习CryptoZombie第三课:组建僵尸军队(高级Solidity理论)(0个评论)
    • 智能合约Solidity学习CryptoZombie第二课:让你的僵尸猎食(0个评论)
    • 智能合约Solidity学习CryptoZombie第一课:生成一只你的僵尸(0个评论)
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(95个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客