我如何使这个网页爬虫无限？

Question

这是我正在尝试编写的代码(一个web爬虫，它遍历一个链接列表，其中第一个链接是原始链接，然后站点上的链接被追加到列表中，for循环继续遍历列表，因为某种原因，当大约150个链接被追加和打印时，脚本一直停止)

import requests
from bs4 import BeautifulSoup
import urllib.request

links = ['http://example.com']
def spider(max_pages):
    page = 1
    number = 1
    while page <= max_pages:
        try:
            for LINK in links:
                url = LINK
                source_code = requests.get(url)
                plain_text = source_code.text
                soup = BeautifulSoup(plain_text, "html.parser")
                for link in soup.findAll("a"):
                    try:
                        href = link.get("href")
                        if href.startswith("http"):
                            if href not in links:
                                number += 1
                                links.append(href)
                                print("{}: {}".format(number, href))
                    except:
                        pass

        except Exception as e:
            print(e)

while True:
    spider(10000)

我该怎么做才能使它无限呢？

Answer 1

当您找到一个没有<a>属性的href元素时，这个错误就会发生。在尝试调用startswith之前，您应该检查链接实际上有一个href。

Answer 2

Samir Chahine

您的代码失败，因为href变量在

href = link.get("href")

因此，在那里再加一张支票，如下：

if (href is not none) and href.startswith("http://")

Plz转换python代码中的逻辑

    try to debug using print statement like :



href = link.get("href")
                        print("href "+ href)
                        if href is not none and href.startswith("http"):
                            print("Condition passed 1")
                            if href not in links:
                                print("Condition passed 2")
                                number += 1
                                links.append(href)
                                print("{}: {}".format(number, href))