如何使用Python抓取类别维基百科页面类别中的子类别和页面

Question

因此，我尝试抓取类别页面的类别标题下的所有子类别和页面：“类别：基于类的编程语言”，位于：

https://en.wikipedia.org/wiki/Category:基于类的编程语言

我已经找到了一种使用 url 和 mediawiki API 来做到这一点的方法：Categorymembers。这样做的方法是：

• 底座：

  en.wikipedia.org/w/api.php?action=query&list=categorymembers&cmtitle=Category:Class-based%20programming%20languages&format=json&cmlimit=500

• 底座：

  en.wikipedia.org/w/api.php?action=query&list=categorymembers&cmtitle=Category:Class-based%20programming%20languages&format=json&cmlimit=500&cmtype=subcat

但是，我找不到使用Python 来完成此任务的方法。有人可以帮我吗？

这是为了独立研究，我花了很多时间在这上面，但似乎无法弄清楚。此外，禁止使用 Beautifulsoup。谢谢大家的帮助！

Answer 1

好吧，经过更多的研究和学习，我找到了自己问题的答案。使用库

urllib.request

和

json

，我以 json 格式导入了维基百科 url 文件，并以这种方式简单地打印了其类别。这是我用来获取子类别的代码：

pages = urllib.request.urlopen("https://en.wikipedia.org/w/api.php?action=query&list=categorymembers&cmtitle=Category:Class-based%20programming%20languages&format=json&cmlimit=500&cmtype=subcat")
data = json.load(pages)
query = data['query']
category = query['categorymembers']
for x in category:
    print (x['title'])

您可以对类别中的页面执行相同的操作。感谢尼莫试图帮助我！

Answer 2

import requests
from lxml import html
wiki_page = requests.get('https://en.wikipedia.org/wiki/Category:Class based_programming_languages')
tree = html.fromstring(wiki_page.content)

要建立如何使用它的直觉，请右键单击“C++”，然后单击“检查”，您将看到右侧的面板突出显示

<a class="CategoryTreeLabel  CategoryTreeLabelNs14   
CategoryTreeLabelCategory" href="/wiki/Category:C%2B%2B">C++</a>

右键单击它，然后单击“复制 xpath”。对于 C++ 这会给你

//*[@id="mw-subcategories"]/div/ul[1]/li/div/div[1]/a

同样，在页面下，我们得到“ActionScript”

//*[@id="mw-pages"]/div/div/div[1]/ul/li[1]/a

因此，如果您正在查找所有子类别/页面名称，您可以这样做

pages = tree.xpath('//*[@id="mw-pages"]/text()')
subcategories = tree.xpath('//*[@id="mw-subcategories"]/text()')

欲了解更多信息，请参阅此处和此处