Question

我正在抓取一个没有页面的网页，我怎么能抓住这些页面来获取我想要的信息。假设我正在抓取网址here 这个页面有两个页面，我如何抓取这些总页数并获得总产品列表。

到目前为止我做了什么：我正在抓取他们正在通过正则表达式抓取特定网址的网址并试图去那个网址，并从该链接他们没有其他页面包含信息链接产品名称。我希望从所有页面中获取该产品名称。

我的代码：

from bs4 import BeautifulSoup
import urllib.request
import re
import json
response = urllib.request.urlopen("http://i.cantonfair.org.cn/en/ExpProduct.aspx?corpid=0776011226&categoryno=446")
soup = BeautifulSoup(response, "html.parser")
productlink = soup.find_all("a", href=re.compile(r"ExpProduct\.aspx\?corpid=[0-9]+.categoryno=[0-9]+"))
productlink = ([link["href"] for link in productlink])
print (productlink)

在此之后我被卡住了。我正在使用python 3.5.1和Beautifulsoup

Answer 1

如果您想抓取页面上的图片，我建议CSS Selectors

获取项目列表，之后您可以搜索下一页。当你停止下一页时，你知道你已经完成了。

def get_next_page(soup):
    pages = soup.select('div[id="AspNetPager1] a[href]')
    for page in pages:
        if page.text == 'Next':
            return page

response = urllib.request.urlopen("http://i.cantonfair.org.cn/en/ExpProduct.aspx?corpid=0776011226&categoryno=446")
soup = BeautifulSoup(response, "html.parser")
url = 'http://i.cantonfair.org.cn/en/'
products = []

next_page = get_next_page(soup)
while next_page is not None:
    products += soup.select('div[class="photolist"] li')
    response = urllib.request.urlopen(url + next_page['href'])
    soup = BeautifulSoup(response, "html.parser")
    next_page = get_next_page(soup)
products += soup.select('div[class="photolist"] li')

product_names = set()
for product in products:
    product_names.add(product.text)

print(product_names)

Answer 2

据我所知，你想要做的就是爬几页并刮掉它们。

我建议你看看Scrapy。

你可以抓取网页并抓取它们，Documentation包含一个教程，在我看来非常好。

如何刮没有页面的网址

2 个答案: