Question

我想从网站上解析一些信息，这些信息的数据分布在几个页面中。

问题是我不知道有多少页。可能有2个，但也可能有4个，甚至只有一个页面。

如果我不知道会有多少页面，我怎么能遍历页面呢？

我知道url模式看起来像下面的代码。

此外，页面名称不是普通数字，但它们位于第2页的'pe2'和第3页的'pe4'等，因此无法循环范围（数字）。

这个我试图修复的循环的虚拟代码。

pages=['','pe2', 'pe4', 'pe6', 'pe8',]

import requests 
from bs4 import BeautifulSoup
for i in pages:
    url = "http://www.website.com/somecode/dummy?page={}".format(i)
    r = requests.get(url)
    soup = BeautifulSoup(r.content)
    #rest of the scraping code

Answer 1

您可以使用在遇到异常时停止运行的while循环。

<强>代码：

from bs4 import BeautifulSoup
from time import sleep
import requests 

i = 0
while(True):
    try:
        if i == 0:
            url = "http://www.website.com/somecode/dummy?page=pe"
        else:
            url = "http://www.website.com/somecode/dummy?page=pe{}".format(i)
        r = requests.get(url)
        soup = BeautifulSoup(r.content, 'html.parser')

        #print page url
        print(url)

        #rest of the scraping code

        #don't overflow website
        sleep(2)

        #increase page number
        i += 2
    except:
        break

<强>输出：

http://www.website.com/somecode/dummy?page
http://www.website.com/somecode/dummy?page=pe2
http://www.website.com/somecode/dummy?page=pe4
http://www.website.com/somecode/dummy?page=pe6
http://www.website.com/somecode/dummy?page=pe8
...
... and so on, until it faces an Exception.

使用美丽的汤从未知页数中抓取数据

1 个答案: