Function:从百度百科白岩松词条开始,爬取词条页面所有链接,随机进入其中一条转到下一词条,直到词条页面无链转为止
# 加载urllib/BeautifulSoup/re/datetime...模块
from urllib.request import urlopen
from bs4 import BeautifulSoup
from urllib.error import HTTPError
import re
import datetime
import random
import ssl
ssl._create_default_https_context = ssl._create_unverified_context # 解决访问http网站证书ssl不受信任问题
random.seed(datetime.datetime.now()) # 基于当前时间产生随机种子
def get_links(specific_item): # 构造链接获取函数
try:
page = urlopen('https://baike.baidu.com' + specific_item) # 访问百度词条
except HTTPError:
print('404 not found') # 抛出异常
else:
bsObj = BeautifulSoup(page, 'html.parser') # 获取BS对象
return bsObj.findAll('a', href=re.compile('^/item/[%A-Z1-9]*((?![\u4e00-\u9fa5]).)*/*[1-9]*$'))
'''
根据链接共同点,使用正则表达式缩小搜寻范围并排除中文干扰,以防出现编码问题
'''
new_links = get_links('/item/%E7%99%BD%E5%B2%A9%E6%9D%BE') # 调用链接获取函数
while len(new_links) > 0: # 当页面存在新链接时
for new_link in new_links: # 遍历链接
if 'href' in new_link.attrs: # 在链接属性中寻找href
print(new_link.attrs['href']) # 获取链接
print(new_link.get_text()) # 获取链接表名
new_specific_item = new_links[random.randint(0, len(new_links)-1)].attrs['href'] # 随机选取新链接
new_links = get_links('{}'.format(new_specific_item)) # 新链接做参调用链接获取函数,{}.format方式处理str无法做参问题
完美RUN: