使用beautifulsoup未知的网址类型遍历网址列表以使用python进行网络抓取

编程问答 2022-06-09

问题描述

我正在尝试从列表中抓取每个URL的内容，这没有问题，我的列表工作正常，

原始链接是这样的：https://www.lamudi.com.mx/nuevo-leon/departamento/for-rent/ 

tags = soup('a',{'class':'js-listing-link'})
    for tag in tags:
        linktag = tag.get('href').strip()
        if linktag not in linklist:
            linklist.append(linktag)

以上结果是作为字符串的URL列表。但是然后我尝试一下：

for link in linklist[0]:
    page2=urllib.request.Request(link,headers={'User-Agent': 'Mozilla/5.0'})
    myhtml2 = urllib.request.urlopen(page2).read()
    soupfl = BeautifulSoup(myhtml2,'html.parser')

仅用于证明所有功能均正常运行，但出现错误：

raise ValueError("unkNown url type: %r" % self.full_url)

ValueError：未知的网址类型：“ h”

解决方法

要获取所有链接，可以使用以下示例：

import urllib.request
from bs4 import BeautifulSoup


URL = "https://www.lamudi.com.mx/nuevo-leon/departamento/for-rent/"

HEADERS = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/85.0.4183.121 Safari/537.36"
}

r = urllib.request.Request(URL,headers=HEADERS)
soup = BeautifulSoup(urllib.request.urlopen(r).read(),"html.parser")

tags = soup.find_all("a",{"class": "js-listing-link"})

links = []
[links.append(link["href"]) for link in tags if link["href"] not in links]

for link in links:
    print("Getting:",link)
    r2 = urllib.request.Request(link,headers=HEADERS)
    soup2 = BeautifulSoup(urllib.request.urlopen(r2).read(),"html.parser")
beautifulsouphtmlloopspythonurllib