Python 美丽的汤-空白屏幕长时间没有任何输出

我对python非常陌生，正在从事一个基于抓取的项目——我应该从包含特定搜索词的链接中提取所有内容，并将它们放在csv文件中。作为第一步，我编写了这段代码，根据输入的搜索词从网站中提取所有链接。我只得到一个空白屏幕作为输出，我无法找到我的错误

import urllib
import mechanize
from bs4 import BeautifulSoup
import datetime

def searchAP(searchterm):
    newlinks = []
    browser = mechanize.Browser()
    browser.set_handle_robots(False)
    browser.addheaders = [('User-agent', 'Firefox')]
    text = ""
    start = 0

    while "There were no matches for your search" not in text:
        url = "http://www.marketing-interactive.com/"+"?s="+searchterm
        text = urllib.urlopen(url).read()
        soup = BeautifulSoup(text, "lxml")
        results = soup.findAll('a')
        for r in results:
            if "rel=bookmark" in r['href'] :
                newlinks.append("http://www.marketing-interactive.com"+ str(r["href"]))  
        start +=10
                return newlinks  
       print searchAP("digital marketing")

---

下面的脚本根据给定的搜索键从网页中提取所有链接。但它不会超出第一页进行探索。尽管可以通过操纵URL中的页码（如Rutger de Knijf在中所述），轻松修改以下代码以从多个页面获得所有结果

用法：

pprint(get_url_for_search_key('digital marketing'))

输出：

[u'http://www.marketing-interactive.com/astro-launches-digital-marketing-arm-blaze-digital/',
 u'http://www.marketing-interactive.com/singapore-polytechnic-on-the-hunt-for-digital-marketing-agency/',
 u'http://www.marketing-interactive.com/how-to-get-your-bosses-on-board-your-digital-marketing-plan/',
 u'http://www.marketing-interactive.com/digital-marketing-institute-launches-brand-refresh/',
 u'http://www.marketing-interactive.com/entropia-highlights-the-7-original-sins-of-digital-marketing/',
 u'http://www.marketing-interactive.com/features/futurist-right-mindset-digital-marketing/',
 u'http://www.marketing-interactive.com/lenovo-brings-board-new-digital-marketing-head/',
 u'http://www.marketing-interactive.com/video/discussing-digital-marketing-indonesia-video/',
 u'http://www.marketing-interactive.com/ubs-melvin-kwek-joins-credit-suisse-as-apac-digital-marketing-lead/',
 u'http://www.marketing-interactive.com/linkedins-top-10-digital-marketing-predictions-2017/']

---

希望这是您希望作为项目第一步的内容。

您犯了四个错误：

您正在定义

start

，但从未使用过它。（就我在

http://www.marketing-interactive.com/?s=something

。没有基于url的分页。）因此您可以无休止地循环第一组结果

“您的搜索没有匹配项”

不是该站点返回的无结果字符串。所以不管怎样，它都会永远持续下去

您正在添加链接，包括

http://www.marketing-interactive.com

至

http://www.marketing-interactive.com

。因此，您将以

http://www.marketing-interactive.comhttp://www.marketing-interactive.com/astro推出数字营销部门blaze digital/

关于

rel=bookmark

选择：是正确的方法。但如果你真的想这样做，你需要这样做：

for r in results:
    if r.attrs.get('rel') and r.attrs['rel'][0] == 'bookmark':
        newlinks.append(r["href"])

这首先检查

rel

是否存在，然后检查其第一个子项是否为

“bookmark”

，因为

r['href']

根本不包含

rel

。这不是BeautifulSoup构建事物的方式

要清除此特定站点，您可以做两件事：

您可以使用Selenium或其他支持Javascript的东西，然后按下“加载更多”按钮。但这是一个相当麻烦的问题

你可以利用这个漏洞：

http://www.marketing-interactive.com/wp-content/themes/MI/library/inc/loop_handler.php?pageNumber=1&postType=search&searchValue=digital+营销

这是提供列表的url。它具有分页功能，因此您可以轻松循环所有结果

---

我已经纠正了您所指出的错误，并在结果中使用了您的代码片段-r:if r.attrs.get（'rel'）和r.attrs['rel'][0]=='bookmark'：newlinks.append（r[“href”]）并且仍然得到“按任意键继续”作为输出。甚至我的代码中arif的书签解决方案也给出了相同的输出，我使用selenium（正如您所建议的）访问LoadMore按钮。我确实有问题刮新加载的链接。你能看一下吗？[

for r in results:
    if r.attrs.get('rel') and r.attrs['rel'][0] == 'bookmark':
        newlinks.append(r["href"])