Python 网络爬虫-以下链接

请容忍我。我对Python很陌生，但我有很多乐趣。我正在尝试编写一个网络爬虫程序，它可以爬过上次丹麦公投的选举结果。我已经设法从主页上提取了所有相关链接。现在我希望Python跟踪92个链接中的每一个，并从每个页面收集9条信息。但是我太困了。希望你能给我一个提示

这是我的密码：

import requests
import urllib2 
from bs4 import BeautifulSoup

# This is the original url http://www.kmdvalg.dk/

soup = BeautifulSoup(urllib2.urlopen('http://www.kmdvalg.dk/').read())

my_list = []
all_links = soup.find_all("a")

for link in all_links:
    link2 = link["href"]
    my_list.append(link2)

for i in my_list[1:93]:
    print i

# The output shows all the links that I would like to follow and gather information from. How do I do that?

---

这是我使用

lxml

的解决方案。它类似于

beautifulsou

import lxml
from lxml import html
import requests

page = requests.get('http://www.kmdvalg.dk/main')
tree = html.fromstring(page.content)
my_list = tree.xpath('//div[@class="LetterGroup"]//a/@href') # grab all link
print 'Length of all links = ', len(my_list)

my_list

是一个包含所有链接的列表。现在您可以使用for循环在每个页面中获取信息

我们可以通过每个链接进行for循环。在每个页面中，您可以提取信息作为示例。这只适用于最上面的桌子

table_information = []
for t in my_list:
    page_detail = requests.get(t)
    tree = html.fromstring(page_detail.content)
    table_key = tree.xpath('//td[@class="statusHeader"]/text()')
    table_value = tree.xpath('//td[@class="statusText"]/text()') + tree.xpath('//td[@class="statusText"]/a/text()')
    table_information.append(zip([t]*len(table_key), table_key, table_value))

对于页面下方的表格

table_information_below = []
for t in my_list:
    page_detail = requests.get(t)
    tree = html.fromstring(page_detail.content)
    l1 = tree.xpath('//tr[@class="tableRowPrimary"]/td[@class="StemmerNu"]/text()')
    l2 = tree.xpath('//tr[@class="tableRowSecondary"]/td[@class="StemmerNu"]/text()')
    table_information_below.append([t]+l1+l2)

---

希望这有帮助

一种简单的方法是遍历URL列表并逐个解析它们：

for url in my_list:
    soup = BeautifulSoup(urllib2.urlopen(url).read())
    # then parse each page individually here

或者，您可以使用

---

这将是我解决你问题的办法

 import requests
from bs4 import BeautifulSoup


def spider():
    url = "http://www.kmdvalg.dk/main"
    source_code = requests.get(url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text, 'html.parser')

    for link in soup.findAll('div', {'class': 'LetterGroup'}):
        anc = link.find('a')
        href = anc.get('href')

        print(anc.getText())
        print(href)
        # spider2(href) call a second function from here that is similar to this one(making url = to herf)
        spider2(href)
        print("\n")


def spider2(linktofollow):
    url = linktofollow
    source_code = requests.get(url)
    plain_text = source_code.text
    soup = BeautifulSoup(plain_text, 'html.parser')

    for link in soup.findAll('tr', {'class': 'tableRowPrimary'}):
        anc = link.find('td')

        print(anc.getText())
    print("\n")


spider()

---

它还没有完成。。。我只从表中得到了一个简单的元素，但是你得到了它的想法以及它应该如何工作。

这是我的最终代码，它可以顺利工作。请让我知道我是否可以做得更聪明

import urllib2 
from bs4 import BeautifulSoup
import codecs

f = codecs.open("eu2015valg.txt", "w", encoding="iso-8859-1")

soup = BeautifulSoup(urllib2.urlopen('http://www.kmdvalg.dk/').read())

liste = []

alle_links = soup.find_all("a")

for link in alle_links:
    link2 = link["href"]
    liste.append(link2)

for url in liste[1:93]:
    soup = BeautifulSoup(urllib2.urlopen(url).read().decode('iso-8859-1'))
    tds = soup.findAll('td')
    stemmernu = soup.findAll('td', class_='StemmerNu')
    print >> f, tds[5].string,";",tds[12].string,";",tds[14].string,";",tds[16].string,";", stemmernu[0].string,";",stemmernu[1].string,";",stemmernu[2].string,";",stemmernu[3].string,";",stemmernu[6].string,";",stemmernu[8].string,";",'\r\n'

f.close()

---

在第二个功能中，您可以使用findAll，使用您想要查找的td类的名称来代替查找（'td'）。您能在每个链接中提到更多关于您想要获取的9条信息吗？哇-你们真是太棒了！！我将不得不花一些时间试图理解你的解决方案。我一了解他们就回来。非常感谢@提提帕特：是的。看看这个子站点。我想获取“stemmeberettigede/可以投票的人数”、“Optalte stemmer/计票人”、“JA stemmer/投赞成票的人”、“NEJ stemmer/投反对票的人”、“Blanke stemmer/空白票”、“Ugyldige stemmer/无效票”和市政当局的名称（本例中为Assenskredsen）啊，我看到@Metods，我将很快更新我的解决方案。对于

lxml

，它基本上遍历每个html标记，您可以通过简单web浏览器上的inspect元素找到这些标记

/text（）

将抓取标记内的文本。这太棒了。我的脚本现在可以工作了，这要感谢你对我的URL列表进行迭代的评论。UPS-没有完成。我相信这一页上的所有其他建议都很酷，但我选择了我能理解的和平建议。谢谢这是我最后的代码，如果你有建议，让它更智能，请让我知道。我向你致以最诚挚的问候。

import urllib2 
from bs4 import BeautifulSoup
import codecs

f = codecs.open("eu2015valg.txt", "w", encoding="iso-8859-1")

soup = BeautifulSoup(urllib2.urlopen('http://www.kmdvalg.dk/').read())

liste = []

alle_links = soup.find_all("a")

for link in alle_links:
    link2 = link["href"]
    liste.append(link2)

for url in liste[1:93]:
    soup = BeautifulSoup(urllib2.urlopen(url).read().decode('iso-8859-1'))
    tds = soup.findAll('td')
    stemmernu = soup.findAll('td', class_='StemmerNu')
    print >> f, tds[5].string,";",tds[12].string,";",tds[14].string,";",tds[16].string,";", stemmernu[0].string,";",stemmernu[1].string,";",stemmernu[2].string,";",stemmernu[3].string,";",stemmernu[6].string,";",stemmernu[8].string,";",'\r\n'

f.close()