今天回来的很晚了,写不了什么东西了,请假一天
看了接下来的内容,要写一个互联网爬虫,代码比之前的复杂而且只给出了大体思路(不能直接copy下来运行)今天时间不太够了,明天把今天的份儿补上
这部分的代码一次性写好比较吃力,于是我会一个功能一个功能的测试,每个测试就当做练习了
练习1 获取当前页面的所有内链接(测试版)
from urllib.request import urlopen
from bs4 import BeautifulSoup
import re
import random
import datetime
dates = set()
random.seed(datetime.datetime.now())
# 获取当前页面的所有内链接(测试版)
def getInternalLinks(internalUrl):
internalLINKS=[]
html = urlopen(internalUrl)
bsObj = BeautifulSoup(html)
#所有以"/"开头的网页
for link in bsObj.findAll("a", href=re.compile("^(?!(http://|https://|//)).")):
if link.attrs['href'] is not None:
if link.attrs['href'] not in internalLINKS:
internalLINKS.append(link.attrs['href'])
return internalLINKS
pass
links=getInternalLinks('http://oreilly.com')
for link in links:
print(link)