Python爬取网页的所有内外链的代码

项目介绍

采用广度优先搜索方法获取一个网站上的所有外链。
首先，我们进入一个网页，获取网页的所有内链和外链，再分别进入内链中，获取该内链的所有内链和外链，直到访问完所有内链未知。

代码大纲

1、用class类定义一个队列，先进先出，队尾入队，队头出队；
2、定义四个函数，分别是爬取网页外链，爬取网页内链，进入内链的函数，以及调函数；
3、爬取百度图片（https://image.baidu.com/），先定义两个队列和两个数组，分别来存储内链和外链；程序开始时，先分别爬取当前网页的内链和外链，再分别入队，对内链外链进行判断，如果在数组中没有存在，这添加到数组中；
4、接着调用deepLinks()函数，采用循环结构，如果当前内链数量不为空时，则对存储内链的队列进行出队，并进入该内链中，再重复调用爬取网页内链和网页外链的函数，进行判断网页链接是否重复， 不重复的话，再分别将内链，外链加入到对应的队列中，不断迭代循环；
5、进入网页内所有的内链，从中搜索出所有的外链并且存储在队列中，再输出。

网站详情

代码详情

队列

队列是一种特殊的线性表，单向队列只能在一端插入数据（后），另一端删除数据（前）；
它和栈一样，队列是一种操作受限制的线性表；
进行插入操作的称为队尾，进行删除操作的称为队头；
队列中的数据被称为元素；没有元素的队列称为空队列。

由于只能一端删除或者插入，所以只有最先进入队列的才能被删除，因此又被称为先进先出（FIFO—first in first out）线性表。
这里我们用class类定义一个队列，先进先出，队尾入队，队头出队，该队列要有定义以下功能：出队、入队、判断是否为空、输出队列长度、返回队头元素。

class Queue(object):
   #初始化队列
   def __init__(self):
       self.items = []

#入队
   def enqueue(self, item):
       self.items.append(item)

#出队
   def dequeue(self):
       if self.is_Empty():
           print("当前队列为空！！")
       else:
           return self.items.pop(0)

#判断是否为空
   def is_Empty(self):
       return self.items == []

#队列长度
   def size(self):
       return len(self.items)

#返回队头元素，如果队列为空的话，返回None
   def front(self):
       if self.is_Empty():
           print("当前队列为空！！")
       else:
           return self.items[len(self.items) - 1]

内链外链

内链外链的区别：
内链：是指同一网站域名下内容页面之间的互相链接。
外链：是指在别的网站导入自己网站的链接，如友情链接、外链的搭建等。
通俗的讲，内链即为带有相同域名的链接，而外链的域名则不相同。

说到内链外链，那必然离不开urllib库了，首先导入库

from urllib.parse import urlparse

用urlparse模块来解析url链接，urlparse()模块将url拆分为6部分：

scheme (协议)

netloc (域名)

path (路径)

params (可选参数)

query (连接键值对)

fragment (特殊锚)

url='https://image.baidu.com/'
a, b = urlparse(url).scheme, urlparse(url).netloc
print(a)
print(b)

#-----------------输出结果---------------------#
https
image.baidu.com

请求头

Header来源 用浏览器打开需要访问的网页，按F12，点开network，再按提示按ctr+R，点击name选择网站名，再看到有一个右边框第一个headers，找到request headers，这个就是浏览器的请求头， 复制其中的user-agent,复制内容。

这里的请求头为：

headers_={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36 Edg/89.0.774.68'}
html = requests.get(url,headers=headers_)

完整代码

class Queue(object):
   #初始化队列
   def __init__(self):
       self.items = []

#入队
   def enqueue(self, item):
       self.items.append(item)

#出队
   def dequeue(self):
       if self.is_Empty():
           print("当前队列为空！！")
       else:
           return self.items.pop(0)

#判断是否为空
   def is_Empty(self):
       return self.items == []

#队列长度
   def size(self):
       return len(self.items)

#返回队头元素，如果队列为空的话，返回None
   def front(self):
       if self.is_Empty():
           print("当前队列为空！！")
       else:
           return self.items[len(self.items) - 1]

#导入库
from urllib.request import urlopen
from urllib.parse import urlparse
from bs4 import BeautifulSoup
import requests
import re
import urllib.parse
import time
import random

queueInt = Queue()   #存储内链的队列
queueExt = Queue()   #存储外链的队列

externalLinks = []
internalLinks = []

#获取页面中所有外链的列表
def getExterLinks(bs, exterurl):

#找出所有以www或http开头且不包含当前URL的链接
   for link in bs.find_all('a', href = re.compile
                           ('^(http|www)((?!'+urlparse(exterurl).netloc+').)*$')):
       #按照标准，URL只允许一部分ASCII字符，其他字符（如汉字）是不符合标准的，
       #我们的链接网址可能存在汉字的情况，此时就要进行编码。
       link.attrs['href'] = urllib.parse.quote(link.attrs['href'],safe='?=&:/')
       if link.attrs['href'] is not None:
           if link.attrs['href'] not in externalLinks:
               queueExt.enqueue(link.attrs['href'])
               externalLinks.append(link.attrs['href'])
               print(link.attrs['href'])
#     return externalLinks

#获取页面中所以内链的列表    
def getInterLinks(bs, interurl):
   interurl = '{}://{}'.format(urlparse(interurl).scheme,
                               urlparse(interurl).netloc)

#找出所有以“/”开头的内部链接
   for link in bs.find_all('a', href = re.compile
                           ('^(/|.*'+urlparse(interurl).netloc+')')):
       link.attrs['href'] = urllib.parse.quote(link.attrs['href'],safe='?=&:/')
       if link.attrs['href'] is not None:
           if link.attrs['href'] not in internalLinks:
       #startsWith()方法用来判断当前字符串是否是以另外一个给定的子字符串“开头”的
               if(link.attrs['href'].startswith('//')):
                   if interurl+link.attrs['href'] not in internalLinks:
                       queueInt.enqueue(interurl+link.attrs['href'])
                       internalLinks.append(interurl+link.attrs['href'])
               elif(link.attrs['href'].startswith('/')):
                   if interurl+link.attrs['href'] not in internalLinks:
                       queueInt.enqueue(interurl+link.attrs['href'])
                       internalLinks.append(interurl+link.attrs['href'])
               else:
                   queueInt.enqueue(link.attrs['href'])
                   internalLinks.append(link.attrs['href'])
#     return internalLinks

def deepLinks():
   num = queueInt.size()
   while num > 1:
       i = queueInt.dequeue()
       if i is None:
           break
       else:
           print('访问的内链')
           print(i)
           print('找到的新外链')
   #         html = urlopen(i)
           html=requests.get(i,headers=headers_)
           time.sleep(random.random()*3)
           domain1 = '{}://{}'.format(urlparse(i).scheme, urlparse(i).netloc)
           bs = BeautifulSoup(html.content, 'html.parser')
           getExterLinks(bs, domain1)
           getInterLinks(bs, domain1)

def getAllLinks(url):
   global num
#     html = urlopen(url)
   headers_={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36 Edg/89.0.774.68'}
   html = requests.get(url,headers=headers_)
   time.sleep(random.random()*3) #模拟人类行为，间隔随机的时间
   domain = '{}://{}'.format(urlparse(url).scheme, urlparse(url).netloc)
   bs = BeautifulSoup(html.content, 'html.parser')

getInterLinks(bs, domain)
   getExterLinks(bs, domain)
   deepLinks()

getAllLinks('https://image.baidu.com/')

爬取结果

这里我只是截取一部分：

数组中的所有内链

internalLinks

-------------输出内容------------------

['http://image.baidu.com',
'https://image.baidu.com/img/image/imageplus/index.html?fr=image',
'http://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1567133149621_R&pv=&ic=0&nc=1&z=0&hd=0&latest=0&copyright=0&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&sid=&word=％25E5％25A3％2581％25E7％25BA％25B8',
'http://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1461834053046_R&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&itg=0&ie=utf-8&word=％25E5％25A4％25B4％25E5％2583％258F％23z=0&pn=&ic=0&st=-1&face=0&s=0&lm=-1',
'https://image.baidu.com/search/albumslist?tn=albumslist&word=％25E8％25AE％25BE％25E8％25AE％25A1％25E7％25B4％25A0％25E6％259D％2590&album_tab=％25E8％25AE％25BE％25E8％25AE％25A1％25E7％25B4％25A0％25E6％259D％2590&rn=15&fr=searchindex',
'https://image.baidu.com/search/albumsdetail?tn=albumsdetail&word=％25E5％259F％258E％25E5％25B8％2582％25E5％25BB％25BA％25E7％25AD％2591％25E6％2591％2584％25E5％25BD％25B1％25E4％25B8％2593％25E9％25A2％2598&fr=searchindex_album％2520&album_tab=％25E5％25BB％25BA％25E7％25AD％2591&album_id=7&rn=30',
'https://image.baidu.com/search/albumsdetail?tn=albumsdetail&word=％25E6％25B8％2590％25E5％258F％2598％25E9％25A3％258E％25E6％25A0％25BC％25E6％258F％2592％25E7％2594％25BB&fr=albumslist&album_tab=％25E8％25AE％25BE％25E8％25AE％25A1％25E7％25B4％25A0％25E6％259D％2590&album_id=409&rn=30',
'https://image.baidu.com/search/albumsdetail?tn=albumsdetail&word=％25E7％259A％25AE％25E5％25BD％25B1&fr=albumslist&album_tab=％25E8％25AE％25BE％25E8％25AE％25A1％25E7％25B4％25A0％25E6％259D％2590&album_id=394&rn=30',
'https://image.baidu.com/search/albumsdetail?tn=albumsdetail&word=％25E5％25AE％25A0％25E7％2589％25A9％25E5％259B％25BE％25E7％2589％2587&fr=albumslist&album_tab=％25E5％258A％25A8％25E7％2589％25A9&album_id=688&rn=30',
'https://image.baidu.com/search/albumsdetail?tn=albumsdetail&word=％25E8％2588％25AA％25E6％258B％258D％25E5％259C％25B0％25E7％2590％2583％25E7％25B3％25BB％25E5％2588％2597&fr=albumslist&album_tab=％25E8％25AE％25BE％25E8％25AE％25A1％25E7％25B4％25A0％25E6％259D％2590&album_id=312&rn=30',
'https://image.baidu.com/search/albumslist?tn=albumslist&word=％25E4％25BA％25BA％25E7％2589％25A9&album_tab=％25E4％25BA％25BA％25E7％2589％25A9&rn=15&fr=searchindex_album',
'http://image.baidu.com/static/html/advanced.html',
'https://image.baidu.com/',
'http://image.baidu.com/']

数组中的所有外链

externalLinks

-------------输出内容------------------

['http://news.baidu.com/',
'https://www.hao123.com/',
'http://map.baidu.com/',
'https://haokan.baidu.com/?sfrom=baidu-top/',
'http://tieba.baidu.com/',
'https://xueshu.baidu.com/',
'http://www.baidu.com/more/',
'https://pan.baidu.com',
'https://zhidao.baidu.com',
'https://baike.baidu.com',
'https://baobao.baidu.com',
'https://wenku.baidu.com',
'https://jingyan.baidu.com',
'http://music.taihe.com',
'https://www.baidu.com',
'https://www.baidu.com/',
'http://www.baidu.com/duty/',
'http://www.baidu.com/search/image_help.html',
'http://www.beian.gov.cn/portal/registerSystemInfo?recordcode=11000002000001',
'http://help.baidu.com/question',
'http://www.baidu.com/search/jubao.html',
'http://www.baidu.com/search/faq_image.html％2305']

来源：https://blog.csdn.net/ABC12138138/article/details/115489252