python-2.7 - シンプルなウェブクローラー

Question

私は非常に単純な Web クローラー用に Python で以下のプログラムを書きましたが、実行すると「NoneType' object is not callable」が返されます。

import BeautifulSoup
import urllib2
def union(p,q):
    for e in q:
        if e not in p:
            p.append(e)

def crawler(SeedUrl):
    tocrawl=[SeedUrl]
    crawled=[]
    while tocrawl:
        page=tocrawl.pop()
        pagesource=urllib2.urlopen(page)
        s=pagesource.read()
        soup=BeautifulSoup.BeautifulSoup(s)
        links=soup('a')        
        if page not in crawled:
            union(tocrawl,links)
            crawled.append(page)

    return crawled
crawler('http://www.princeton.edu/main/')

Answer 1

[更新]これが完全なプロジェクトコードです

https://bitbucket.org/deshan/simple-web-crawler

[ANWSER]

soup（'a'）は完全なhtmlタグを返します。

<a href="http://itunes.apple.com/us/store">Buy Music Now</a>

そのため、urlopenは「NoneType」オブジェクトは呼び出せません」というエラーを出します 。url/hrefのみを抽出する必要があります。

links=soup.findAll('a',href=True)
for l in links:
    print(l['href'])

URLも検証する必要があります。次の回答を参照してください。

• Pythonで正規表現を使用してURLをどのように検証しますか？

• Python-PythonでURLを検証する方法は？（奇形かどうか）

繰り返しになりますが、配列の代わりにPythonセットを使用することをお勧めします。重複するURLを簡単に追加、省略できます。

• http://docs.python.org/2/library/sets.html

次のコードを試してください。

import re
import httplib
import urllib2
from urlparse import urlparse
import BeautifulSoup

regex = re.compile(
        r'^(?:http|ftp)s?://' # http:// or https://
        r'(?:(?:[A-Z0-9](?:[A-Z0-9-]{0,61}[A-Z0-9])?\.)+(?:[A-Z]{2,6}\.?|[A-Z0-9-]{2,}\.?)|' #domain...
        r'localhost|' #localhost...
        r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})' # ...or ip
        r'(?::\d+)?' # optional port
        r'(?:/?|[/?]\S+)$', re.IGNORECASE)

def isValidUrl(url):
    if regex.match(url) is not None:
        return True;
    return False

def crawler(SeedUrl):
    tocrawl=[SeedUrl]
    crawled=[]
    while tocrawl:
        page=tocrawl.pop()
        print 'Crawled:'+page
        pagesource=urllib2.urlopen(page)
        s=pagesource.read()
        soup=BeautifulSoup.BeautifulSoup(s)
        links=soup.findAll('a',href=True)        
        if page not in crawled:
            for l in links:
                if isValidUrl(l['href']):
                    tocrawl.append(l['href'])
            crawled.append(page)   
    return crawled
crawler('http://www.princeton.edu/main/')