python - HTML 抓取：遍历嵌套目录

Question

我需要抓取一个具有基本文件夹系统的网站，其中的文件夹标有关键字 - 一些文件夹包含文本文件。我需要扫描所有页面（文件夹）并检查指向新文件夹的链接，记录关键字和文件。我的主要问题更抽象：如果有一个包含嵌套文件夹和未知“深度”的目录，那么迭代所有这些文件夹的最pythonc 方式是什么。[如果知道“深度”，那将是一个非常简单的 for 循环）。想法非常受欢迎。

Answer 1

递归通常是最简单的方法。

但是，如果有人创建一个带有指向自身或父级的符号链接的目录，则可能会在一段时间后给您一个 StackOverflowError。

Answer 2

这是一个简单的蜘蛛算法。它使用一个双端队列来处理要处理的文档和一组已处理的文档：

active = deque()
seen = set()

active.append(first document)

while active is not empty:
    document = active.popleft()
    if document in seen:
        continue

    # do stuff with the document -- e.g. index keywords

    seen.add(document)
    for each link in the document:
         active.append(link)

请注意，这是迭代的，因此可以与任意深度树一起使用。