Question

我正在尝试使用python 2.7中的Beautiful soup构建一个基本的Web爬虫。这是我的代码：

import re
import httplib
import urllib2
from urlparse import urlparse
from bs4 import BeautifulSoup

regex = re.compile(
        r'^(?:http|https)s?://' # http:// or https://
        r'(?:(?:[A-Z0-9](?:[A-Z0-9-]{0,61}[A-Z0-9])?\.)+(?:[A-Z]{2,6}\.?|[A-Z0-9-]{2,}\.?)|' #domain...
        r'localhost|' #localhost...
        r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})' # ...or ip
        r'(?::\d+)?' # optional port
        r'(?:/?|[/?]\S+)$', re.IGNORECASE)

def isValidUrl(url):
    if regex.match(url) is not None:
        return True;
    return False

def crawler(SeedUrl):
    tocrawl=[SeedUrl]
    crawled=[]
    while tocrawl:
        page=tocrawl.pop()
        print 'Crawled:'+page
        pagesource=urllib2.urlopen(page)
        s=pagesource.read()
        soup=BeautifulSoup.BeautifulSoup(s)
        links=soup.findAll('a',href=True)        
        if page not in crawled:
            for l in links:
                if isValidUrl(l['href']):
                    tocrawl.append(l['href'])
            crawled.append(page)   
    return crawled

crawler('https://www.google.co.in/?gfe_rd=cr&ei=SfWxVs65JK_v8we9zrj4AQ&gws_rd=ssl')

我收到错误：

抓取：https://www.google.co.in/?gfe_rd=cr&ei=SfWxVs65JK_v8we9zrj4AQ&gws_rd=ssl Traceback（最近一次调用最后一次）：文件“web_crawler_python_2.py”，第38行，in 爬虫（ 'https://www.google.co.in/?gfe_rd=cr&ei=SfWxVs65JK_v8we9zrj4AQ&gws_rd=ssl'）在抓取工具中的第29行文件“web_crawler_python_2.py” 汤= BeautifulSoup.BeautifulSoup（S） AttributeError：类型对象'BeautifulSoup'没有属性'BeautifulSoup'

我尝试了很多但似乎无法调试它。任何人都可以指出我的问题。（作为旁注，我知道很多网站都不允许抓取，但我只是在学习它。）

谢谢，任何帮助都将不胜感激。

我用过代码的来源：simple web crawler

Answer 1

此类没有属性BeautifulSoup。我不知道你为什么用它。 documentation的示例：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

您需要更换：

BeautifulSoup.BeautifulSoup

到

BeautifulSoup

在python中使用美丽的汤2

1 个答案: