网络爬虫从新网站获取链接

Question

我正在尝试从新闻网站页面（从其档案之一）获取链接。我在 Python 中编写了以下代码行：

main.py 包含：

import mechanize
from bs4 import BeautifulSoup

url = "http://www.thehindu.com/archive/web/2010/06/19/"

br =  mechanize.Browser()
htmltext = br.open(url).read()

articletext = ""
soup = BeautifulSoup(htmltext)
for tag in soup.findAll('li', attrs={"data-section":"Business"}):
    articletext += tag.contents[0]

print articletext

tag.contents[0] 中的对象示例： <a href="http://www.thehindu.com/business/itc-to-issue-11-bonus/article472545.ece" target="_blank">ITC to issue 1:1 bonus</a>

但在运行它时，我收到以下错误：

File "C:\Python27\crawler\main.py", line 4, in <module>
    text = articletext.getArticle(url)
  File "C:\Python27\crawler\articletext.py", line 23, in getArticle
    return getArticleText(htmltext)
  File "C:\Python27\crawler\articletext.py", line 18, in getArticleText
    articletext += tag.contents[0]
TypeError: cannot concatenate 'str' and 'Tag' objects

有人可以帮我解决吗？我是 Python 编程的新手。谢谢和问候。

Answer 1

您模糊地使用了 link_dictionary。如果您不将其用于阅读目的，请尝试以下代码：

 br =  mechanize.Browser()
 htmltext = br.open(url).read()

 articletext = ""
 for tag_li in soup.findAll('li', attrs={"data-section":"Op-Ed"}):
    for link in tag_li.findAll('a'):
        urlnew = urlnew = link.get('href')
        brnew =  mechanize.Browser()
        htmltextnew = brnew.open(urlnew).read()            
        articletext = ""
        soupnew = BeautifulSoup(htmltextnew)
        for tag in soupnew.findAll('p'):
            articletext += tag.text
        print re.sub('\s+', ' ', articletext, flags=re.M)

注意：re 用于正则表达式。为此，您导入 re 的模块。

Answer 2

您可能希望将强大的 XPath 查询语言与更快的 lxml 模块一起使用。就这么简单：

import urllib2
from lxml import etree

url = 'http://www.thehindu.com/archive/web/2010/06/19/'
html = etree.HTML(urllib2.urlopen(url).read())

for link in html.xpath("//li[@data-section='Business']/a"):
    print '{} ({})'.format(link.text, link.attrib['href'])

@data-section='Chennai' 的更新

#!/usr/bin/python
import urllib2
from lxml import etree

url = 'http://www.thehindu.com/template/1-0-1/widget/archive/archiveWebDayRest.jsp?d=2010-06-19'
html = etree.HTML(urllib2.urlopen(url).read())

for link in html.xpath("//li[@data-section='Chennai']/a"):
    print '{} => {}'.format(link.text, link.attrib['href'])

Answer 3

我相信您可能想尝试访问列表项中的文本，如下所示：

for tag in soup.findAll('li', attrs={"data-section":"Business"}):
    articletext += tag.string

---

已编辑：关于从页面获取链接的一般评论

可能用于收集一堆链接并稍后检索它们的最简单的数据类型是字典。

要使用 BeautifulSoup 从页面获取链接，您可以执行以下操作：

link_dictionary = {}
with urlopen(url_source) as f:
    soup = BeautifulSoup(f)
    for link in soup.findAll('a'):
        link_dictionary[link.string] = link.get('href') 

这将为您提供一个名为link_dictionary 的字典，其中字典中的每个键都是一个字符串，它只是<a> </a> 标记之间的文本内容，每个值都是href 属性的值。

---

如何结合你之前的尝试

现在，如果我们将此与您之前遇到的问题结合起来，我们可以尝试以下方法：

link_dictionary = {}
for tag in soup.findAll('li', attrs={"data-section":"Business"}):
    for link in tag.findAll('a'):
        link_dictionary[link.string] = link.get('href') 

如果这没有意义，或者您有更多问题，您需要先进行试验并尝试提出解决方案，然后再提出另一个更清晰的新问题。