简易网络爬虫
简易网络爬虫
提问于 2012-12-01 11:15:19
我在python中为非常简单的网络爬虫编写了下面的程序，但是当我运行它时，它会返回'NoneType‘对象是不可调用的，您能帮我吗？
import BeautifulSoup
import urllib2
def union(p,q):
for e in q:
if e not in p:
p.append(e)
def crawler(SeedUrl):
tocrawl=[SeedUrl]
crawled=[]
while tocrawl:
page=tocrawl.pop()
pagesource=urllib2.urlopen(page)
s=pagesource.read()
soup=BeautifulSoup.BeautifulSoup(s)
links=soup('a')
if page not in crawled:
union(tocrawl,links)
crawled.append(page)
return crawled
crawler('http://www.princeton.edu/main/')回答 1
Stack Overflow用户
发布于 2013-02-05 04:35:01
更新这里是完整的项目代码
https://bitbucket.org/deshan/simple-web-crawler
ANWSER
complete (‘a’)返回完整的html标记。
<a href="http://itunes.apple.com/us/store">Buy Music Now</a>因此，urlopen给出了错误'NoneType‘对象是不可调用的。您需要提取唯一的url/href。
links=soup.findAll('a',href=True)
for l in links:
print(l['href'])您需要验证url too.refer到下面的解析器
- How do you validate a URL with a regular expression in Python?
- Python - How to validate a url in python ? (Malformed or not)
我想再次建议您使用python来代替Arrays.you可以轻松地添加、删除重复的urls。
- http://docs.python.org/2/library/sets.html
尝试以下代码：
import re
import httplib
import urllib2
from urlparse import urlparse
import BeautifulSoup
regex = re.compile(
r'^(?:http|ftp)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('http://www.princeton.edu/main/')页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/13658863
复制相关文章
相似问题
腾讯云开发者
