2

beautifulsoup 包中是否有允许用户在站点内设置爬取深度的功能？我对 Python 比较陌生，但我之前在 R 中使用过 Rcrawler，并且 Rcrawler 提供了“MaxDepth”，因此爬虫将进入该域内主页的一定数量的链接。

Rcrawler(Website = "https://stackoverflow.com/", no_cores = 4, no_conn = 4, ExtractCSSPat = c("div"), ****MaxDepth=5****)

我当前使用 Python 编写的脚本的基础知识会解析页面上的所有可见文本，但我想设置一个爬行深度。

from bs4 import BeautifulSoup
import bs4 as bs
import urllib.request

def tag_visible(element):
    if element.parent.name in ['style', 'script', 'head', 'title', 'meta', '[document]']:
        return False
    elif isinstance(element,bs.element.Comment):
        return False
    return True


def text_from_html(body):
    soup = BeautifulSoup(html, 'lxml')
    texts = soup.findAll(text=True)
    visible_texts = filter(tag_visible, texts)  
    return u" ".join(t.strip() for t in visible_texts)

html = urllib.request.urlopen('https://stackoverflow.com/').read()
print(text_from_html(html))

任何见解或方向表示赞赏。

4

1 回答 1

1

BeautifulSoup因为BeautifulSoupis not中没有函数crawler。
它只解析字符串，HTML因此您可以在HTML.

requests因为requestsis no crawlertoo ，所以没有功能。
它仅从服务器读取数据，因此您可以将其与BeautifulSoup或类似的方式一起使用。

如果你使用BeautifulSoup然后request你必须自己做所有事情 - 你必须从头开始构建爬行系统。

Scrapy是真正的爬虫（或者更确切地说是构建蜘蛛和爬网的框架）。
它有选项DEPTH_LIMIT

于 2017-12-21T04:12:25.627 回答