Question

我想迭代一个网站的所有网页。我试图在这里使用mechanize，但它只查看网站的主要链接。我应该如何修改它？

import mechanize
import lxml.html

br = mechanize.Browser()
response = br.open("http://www.apple.com")

for link in br.links():
    print link.url
    br.follow_link(link)  # takes EITHER Link instance OR keyword args
    print br
    br.back()

这是新代码：

import mechanize
import lxml.html

links  = set()                             
visited_links  = set()


def visit(br, url):
  response = br.open(url)
  links = br.links()
  for link in links:
    if not link.url in links:
      visited_links.add(link.url)  
      visit(br, link)
      print link.url


if __name__ == '__main__':
  br = mechanize.Browser()
  visit(br,"http://www.apple.com")

Answer 1

请注意，您希望为每个链接执行的操作与初始链接的操作相同：获取页面并访问每个链接。你可以像

那样递归地解决这个问题

def visit(br, url):
  response = br.open(url)
  links = br.links()
  for link in links:
    print link.url
    visit(br, link)

实践中会有点复杂：

您需要检测周期，例如，如果a.html链接到b.html，b.html链接到a.html，您不想打乒乓球并且一直来回走动。所以你可能需要一些方法来判断你是否已经访问了一个页面。由于您可能会找到很多页面，因此您应该有一种有效的方法来测试您是否已经访问过页面。一种直截了当的方式可能是使用看到的链接创建一个全局Python set。
您需要决定两个链接何时相等，例如http://www.apple.com/index.html和“http://www.apple.com/index.html#someAnchor”应该相等吗？您可能需要对链接进行某种“规范化”。
您的程序可能需要很长时间，而且肯定会是“I / O绑定”，即您的程序将坐在那里等待某个页面下载。您可以通过考虑并行访问多个页面来加快速度 - 他们需要使用共享的set个已查看页面，这样两个作业就不会访问同一页面。

Python机械化迭代网站的所有网页

1 个答案: