Pythonic beautifulSoup4: Как получить оставшиеся заголовки со страницы следующей ссылки в категории википедии

Question

Я написал успешно следующий код для получения the titles of a Wikipedia category. Категория состоит из более чем 404 наименований. Но мой выходной файл дает только 200 названий/страниц. как продлить мой код, чтобы получить все названия ссылки этой категории (next page) и так далее.

Команда: python3 getCATpages.py

Кодекс getCATpages.py; -

from bs4 import BeautifulSoup 
import requests 
import csv 

#getting all the contents of a url 
url = 'https://en.wikipedia.org/wiki/Category:Free software' 
content = requests.get(url).content 
soup = BeautifulSoup(content,'lxml') 

#showing the category-pages Summary 
catPageSummaryTag = soup.find(id='mw-pages') 
catPageSummary = catPageSummaryTag.find('p') 
print(catPageSummary.text) 

#showing the category-pages only 
catPageSummaryTag = soup.find(id='mw-pages') 
tag = soup.find(id='mw-pages') 
links = tag.findAll('a') 

# giving serial numbers to the output print and limiting the print into three 
counter = 1 
for link in links[:3]: 
    print ('''  '''+str(counter) + " " + link.text) 
    counter = counter + 1 

#getting the category pages 
catpages = soup.find(id='mw-pages') 
whatlinksherelist = catpages.find_all('li') 
things_to_write = [] 
for titles in whatlinksherelist: 
    things_to_write.append(titles.find('a').get('title')) 

#writing the category pages as a output file 
with open('001-catPages.csv', 'a') as csvfile: 
    writer = csv.writer(csvfile,delimiter="\n") 
    writer.writerow(things_to_write) 

Answer 1

Идея заключается в том, чтобы следовать следующей странице, пока нет «следующая страница» ссылка на страницу. Мы будем поддерживать веб-соскоб сеанса, делая несколько запросов сбора нужных названий ссылок в списке:

from pprint import pprint 
from urllib.parse import urljoin 

from bs4 import BeautifulSoup 
import requests 


base_url = 'https://en.wikipedia.org/wiki/Category:Free software' 


def get_next_link(soup): 
    return soup.find("a", text="next page") 

def extract_links(soup): 
    return [a['title'] for a in soup.select("#mw-pages li a")] 


with requests.Session() as session: 
    content = session.get(base_url).content 
    soup = BeautifulSoup(content, 'lxml') 

    links = extract_links(soup) 
    next_link = get_next_link(soup) 
    while next_link is not None: # while there is a Next Page link 
     url = urljoin(base_url, next_link['href']) 
     content = session.get(url).content 
     soup = BeautifulSoup(content, 'lxml') 

     links += extract_links(soup) 

     next_link = get_next_link(soup) 

pprint(links) 

Печати:

['Free software', 
'Open-source model', 
'Outline of free software', 
'Adoption of free and open-source software by public institutions', 
... 
'ZK Spreadsheet', 
'Zulip', 
'Portal:Free and open-source software'] 

опустил неактуальную CSV пишущей часть.

Answer 2

Для этого MediaWiki API предоставляет generator. Вот код, адаптированный из примера, приведенного в MediaWiki, который его использует.

import requests 

def query(request): 
    request['action'] = 'query' 
    request['format'] = 'json' 
    request['generator'] = 'categorymembers' 
    request['gcmtype'] = 'subcat' 
    previousContinue = {} 
    while True: 
     req = request.copy() 
     req.update(previousContinue) 
     result = requests.get('http://en.wikipedia.org/w/api.php', params=req).json() 
     if 'error' in result: 
      raise Error(result['error']) 
     if 'warnings' in result: 
      print(result['warnings']) 
     if 'query' in result: 
      yield result['query'] 
     if 'continue' in result: 
      previousContinue = {'gcmcontinue': result['continue']['gcmcontinue']} 
     else: 
      break 

for result in query({'gcmtitle': 'Category:Free_software' }): 
    print (result) 

Я считаю оправданным в переделках фрагментарного кода, который представлен в другом месте, потому что я не нахожу документацию МедиаВиков совершенно ясную.

Вот результат этого сценария.

{'pages': {'42113821': {'pageid': 42113821, 'ns': 14, 'title': 'Category:Free software by type'}, '6702554': {'pageid': 6702554, 'ns': 14, 'title': 'Category:Free application software'}, '12180074': {'pageid': 12180074, 'ns': 14, 'title': 'Category:Free software by programming language'}, '6962224': {'pageid': 6962224, 'ns': 14, 'title': 'Category:Free software lists and comparisons'}, '39563179': {'pageid': 39563179, 'ns': 14, 'title': 'Category:Bitcoin'}, '34482991': {'pageid': 34482991, 'ns': 14, 'title': 'Category:Free-software awards'}, '30945256': {'pageid': 30945256, 'ns': 14, 'title': 'Category:Single-platform free software'}, '49967344': {'pageid': 49967344, 'ns': 14, 'title': 'Category:Free software by license'}, '6721544': {'pageid': 6721544, 'ns': 14, 'title': 'Category:Free system software'}, '34313543': {'pageid': 34313543, 'ns': 14, 'title': 'Category:Cross-platform free software'}}} 
{'pages': {'39630972': {'pageid': 39630972, 'ns': 14, 'title': 'Category:Free and open-source Android software'}, '33751817': {'pageid': 33751817, 'ns': 14, 'title': 'Category:Copyleft'}, '40888749': {'pageid': 40888749, 'ns': 14, 'title': 'Category:Free and open-source software'}, '25128034': {'pageid': 25128034, 'ns': 14, 'title': 'Category:Open data'}, '5446650': {'pageid': 5446650, 'ns': 14, 'title': 'Category:Free software culture and documents'}, '7298930': {'pageid': 7298930, 'ns': 14, 'title': 'Category:Creative Commons'}, '21140817': {'pageid': 21140817, 'ns': 14, 'title': 'Category:Free communication software'}, '7457597': {'pageid': 7457597, 'ns': 14, 'title': 'Category:Software forks'}, '34474935': {'pageid': 34474935, 'ns': 14, 'title': 'Category:Free software distributions'}, '34482997': {'pageid': 34482997, 'ns': 14, 'title': 'Category:Free-software events'}}} 
{'pages': {'34348162': {'pageid': 34348162, 'ns': 14, 'title': 'Category:Free and open-source software licenses'}, '703116': {'pageid': 703116, 'ns': 14, 'title': 'Category:Free software projects'}, '39630965': {'pageid': 39630965, 'ns': 14, 'title': 'Category:History of free and open-source software'}, '1358456': {'pageid': 1358456, 'ns': 14, 'title': 'Category:GNU Project software'}, '34313891': {'pageid': 34313891, 'ns': 14, 'title': 'Category:Free mobile software'}, '6687643': {'pageid': 6687643, 'ns': 14, 'title': 'Category:Free computer programming tools'}, '39401957': {'pageid': 39401957, 'ns': 14, 'title': 'Category:Open-source software hosting facilities'}, '38962158': {'pageid': 38962158, 'ns': 14, 'title': 'Category:Open-source robots'}, '21840815': {'pageid': 21840815, 'ns': 14, 'title': 'Category:Free multilingual software'}, '52773626': {'pageid': 52773626, 'ns': 14, 'title': 'Category:Open source artificial intelligence'}}} 
{'pages': {'35912174': {'pageid': 35912174, 'ns': 14, 'title': 'Category:Free technical analysis software'}, '4530452': {'pageid': 4530452, 'ns': 14, 'title': 'Category:Free software stubs'}, '40516443': {'pageid': 40516443, 'ns': 14, 'title': 'Category:Works about free software'}, '49310608': {'pageid': 49310608, 'ns': 14, 'title': 'Category:Public-domain software with source code'}, '952642': {'pageid': 952642, 'ns': 14, 'title': 'Category:Public-domain software'}, '1819021': {'pageid': 1819021, 'ns': 14, 'title': 'Category:Free software websites'}, '46441720': {'pageid': 46441720, 'ns': 14, 'title': 'Category:Free software webmail'}, '36794168': {'pageid': 36794168, 'ns': 14, 'title': 'Category:Free speech synthesis software'}, '6643120': {'pageid': 6643120, 'ns': 14, 'title': 'Category:Free screen readers'}, '34403011': {'pageid': 34403011, 'ns': 14, 'title': 'Category:Open science'}}}