Простой поисковый робот

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/')

Ответ 1 · рейтинг 6 · Deshan

[ОБНОВЛЕНИЕ] Вот полный код проекта

https://bitbucket.org/deshan/simple-web-crawler

[ОТВЕТЧИК]

суп('а') возвращает полный HTML-тег.

<a href="http://itunes.apple.com/us/store">Buy Music Now</a>

поэтому urlopen выдает ошибку Объект NoneType не вызывается'. вам нужно извлечь только URL/href.

links=soup.findAll('a',href=True)
for l in links:
    print(l['href'])

Вам также необходимо подтвердить URL-адрес. Обратитесь к следующим ответам.

• Как вы проверяете URL-адрес с помощью регулярное выражение в Python?

• Python. Как проверить URL-адрес в python? (неправильный формат или нет)

Опять же, я хотел бы предложить вам использовать наборы python вместо массивов. Вы можете легко добавить, опустить повторяющиеся URL-адреса.

• http://docs.python.org/2/library/sets.html

Попробуйте следующий код:

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/')