Python 爬虫第三篇（循环爬取多个网页）

本篇是 python 爬虫的第三篇，在前面两篇 Python 爬虫第一篇（urllib+regex） 和 Python 爬虫第二篇（urllib+BeautifulSoup） 中介绍了如何获取给定网址的网页信息，并解析其中的内容。本篇将更进一步，根据给定网址获取并解析给定网址及其相关联网址中的内容。要实现这些功能，我们需要解决以下问题：

1. 如何持续不断的获取 url，并读取相关内容。

2. 如何判断网址是否已经读取过。

文中用到的代码均已上传到 github，在这里就不再贴出完整的代码了。

如何持续不断的获取网址，并读取相关内容？

要想读取网页内容，首先要获取网页的 url，但是我们又不能将所有的 url 都输入到程序中，此时就需要我们从已知的 url 中解析出其他的 url，从而不间断的获取新的 url读取新的内容，获取新的 url 可以通过解析含有 href 属性的 a 标签来实现，具体代码如下：

for link in html.find_all(name='a', href=re.compile(r'https?://list|item.szlcsc.+')):
    if len(self.__url_set) > self.__max_url_count:
        return
    url = link.get('href')

以上代码解析出所有的 a 标签中的 href 属性内容以 https://list.szlcsc 和 https://item.szlcsc为开头的 url 连接。在这里还是设置了一个最大的 url 解析量「由于在测试中需要一个停止条件」，默认值为1000。

从一个 url 中获取到更多的 url 后，我们该怎么去读取？以什么顺序去读取？不可能获取一个 url 就读取一个 url，此时就需要一个保存 url 的地方「最好是可以顺序保存顺序取出的」，那么最好的方法就是使用队列了，以下是将 url 放入队列的代码：

for link in html.find_all(name='a', href=re.compile(r'https?://list|item.szlcsc.+')):
    if len(self.__url_set) > self.__max_url_count:
        return
    url = link.get('href')
    if url not in self.__url_set:
        self.__url_set.add(url)
        self.__url_queue.put(url)

以下是从队列中取出 url 的代码：

while not self.__url_queue.empty():
    count = count + 1
    url = self.__url_queue.get()
    result = self.get_html(url)

以上两段代码完成了一个 url 从存入队列到从队列中出的全过程。

如何判断网址是否已经读取过？

这个问题实际上就是 url 去重的问题，常用的 url 去重的方法主要有以下几种：

1. url 保存在数据库中（效率较低）

2. 将 url 保存到集合中，利用集合的无重复元素的特性来去重，缺点是占用空间大。

3. 将 url 通过 md5 等哈希算法后保存在集合中，与第 2 项相比可以大幅度提高空间利用率。

4. 使用布隆过滤器「Bloom Filter」，在时间和空间方面有巨大的优势，但是存在一定的误算率，不适用于高准确度的场合。

本篇我们使用集合来对 url 进行去重，其他方法大家可以自行搜索一下，网上有很多这方面的资料。

集合中的元素无次序，且不可重复。元素不可重复的特性用来对 url 去重在合适不过了，通过判断 url 是否已经在集合中可以快速判断该 url 是否已经读取过。具体看以下代码：

if url not in self.__url_set:
    self.__url_set.add(url)
    self.__url_queue.put(url)

以上代码首先判断 url 是否存在于 _urlset 中，如果不存在则将该 url 添加到 _urlset 中，同时将次 url 放入读取队列中进行读取。这样既对得到的每个 url 进行读取，又避免了多次读取同一个 url 造成资源的浪费。