在不了解页面结构的情况下进行网页抓取

Question

我正在尝试通过编写脚本来教自己一个概念。基本上，我正在尝试编写一个 Python 脚本，给定几个关键字，它将抓取网页，直到找到我需要的数据。例如，假设我想查找生活在美国的毒蛇列表。我可能会使用关键字 list,venemous,snakes,US 运行我的脚本，并且我希望能够以至少 80% 的把握相信它会返回美国的蛇列表。

我已经知道如何实现网络蜘蛛部分，我只想了解如何在不了解页面结构的情况下确定网页的相关性。我研究过网络抓取技术，但它们似乎都假设了解页面的 html 标记结构。是否有某种算法可以让我从页面中提取数据并确定其相关性？

任何指针将不胜感激。我将Python 与urllib 和BeautifulSoup 一起使用。

Answer 1

您基本上是在问“我如何编写搜索引擎”。这……不是小事。

执行此操作的正确方法是仅使用 Google（或 Bing 或 Yahoo! 或...）的搜索 API 并显示前 n 个结果。但是，如果您只是在从事一个个人项目来自学一些概念（虽然不确定这些概念到底是哪些），那么这里有一些建议：

• 在相应标签（<p>、<div> 等）的文本内容中搜索相关关键字 (duh)
• 使用相关关键字检查是否存在可能包含您要查找的内容的标签。例如，如果您要查找内容列表，则包含 <ul> 或 <ol> 甚至 <table> 的页面可能是一个不错的选择
• 建立同义词词典并在每个页面中搜索关键字的同义词。将自己限制在“美国”可能意味着人为降低仅包含“美国”的页面的排名
• 保留关键字列表中不的单词列表，并为包含最多这些单词的页面提供更高的排名。这些页面（可以说）更有可能包含您正在寻找的答案

祝你好运（你需要它）！

Answer 2

使用像 scrapy 这样的爬虫（仅用于处理并发下载），您可以编写一个像这样的简单爬虫，并且可能从 Wikipedia 作为一个好的起点开始。此脚本是使用scrapy、nltk 和whoosh 的完整示例。它永远不会停止，并将索引链接以供以后使用whoosh 搜索 这是一个小型谷歌：

_Author = Farsheed Ashouri
import os
import sys
import re
## Spider libraries
from scrapy.spider import BaseSpider
from scrapy.selector import Selector
from main.items import MainItem
from scrapy.http import Request
from urlparse import urljoin
## indexer libraries
from whoosh.index import create_in, open_dir
from whoosh.fields import *
## html to text conversion module
import nltk

def open_writer():
    if not os.path.isdir("indexdir"):
        os.mkdir("indexdir")
        schema = Schema(title=TEXT(stored=True), content=TEXT(stored=True))
        ix = create_in("indexdir", schema)
    else:
        ix = open_dir("indexdir")
    return ix.writer()

class Main(BaseSpider):
    name        = "main"
    allowed_domains = ["en.wikipedia.org"]
    start_urls  = ["http://en.wikipedia.org/wiki/Snakes"]
    
    def parse(self, response):
        writer = open_writer()  ## for indexing
        sel = Selector(response)
        email_validation = re.compile(r'^[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*(\.[a-z]{2,4})$')
        #general_link_validation = re.compile(r'')
        #We stored already crawled links in this list
        crawledLinks    = set()
        titles = sel.xpath('//div[@id="content"]//h1[@id="firstHeading"]//span/text()').extract()
        contents = sel.xpath('//body/div[@id="content"]').extract()
        if contents:
            content = contents[0]
        if titles: 
            title = titles[0]
        else:
            return
        links   = sel.xpath('//a/@href').extract()

        
        for link in links:
            # If it is a proper link and is not checked yet, yield it to the Spider
            url = urljoin(response.url, link)
            #print url
            ## our url must not have any ":" character in it. link /wiki/talk:company
            if not url in crawledLinks and re.match(r'http://en.wikipedia.org/wiki/[^:]+$', url):
                crawledLinks.add(url)
                  #print url, depth
                yield Request(url, self.parse)
        item = MainItem()
        item["title"] = title
        print '*'*80
        print 'crawled: %s | it has %s links.' % (title, len(links))
        #print content
        print '*'*80
        item["links"] = list(crawledLinks)
        writer.add_document(title=title, content=nltk.clean_html(content))  ## I save only text from content.
        #print crawledLinks
        writer.commit()
        yield item