python - 从维基百科页面获取所有链接

Question

我正在制作一个 Python 网络爬虫程序来播放 The Wiki game .

如果你不熟悉这个游戏:

1. 从维基百科上的某篇文章开始
2. 选择一篇目标文章
3. 尝试通过单击 wiki/链接从起始文章转到目标文章

我这样做的过程是:

1. 以一篇起始文章和一篇目标文章作为输入
2. 获取链接到目标文章的文章列表
3. 预制 breadth-first search在找到的链接上避免从开始文章开始访问过的页面
4. 检查目标文章是否在当前页面:如果是，则返回path_crawler_took+goal_article
5. 检查当前页面上是否有任何链接到目标的文章。如果是其中之一，则返回 path_crawler_took+intermediate_article+goal

我遇到了一个问题，程序会返回一条路径，但该路径并没有真正链接到目标。

def get_all_links(source):
    source = source[:source.find('Edit section: References')]
    source = source[:source.find('id="See_also"')]
    links=findall('\/wiki\/[^\(?:/|"|\#)]+',source)
    return list(set(['http://en.wikipedia.org'+link for link in links if is_good(link) and link]))

links_to_goal = get_all_links(goal)

我意识到我是通过从目标页面上抓取所有链接来获得目标链接的，但是 wiki/链接是单向的:仅仅因为目标链接到一个页面并不意味着该页面链接到目标。

如何获得链接到目标的文章列表？

Answer 1

维基百科有一个内置工具，可以完成您所描述的事情 WhatLinksHere/Backlink .

您可以在每个维基百科页面上看到这个工具。

您可以简单地从目标页面的反向链接页面中删除所有链接。

'http://en.wikipedia.org/w/index.php?title=Special%3AWhatLinksHere&limit='500'&target='+goal+'&namespace=0'
                                                                                          ^^^^
                                                                                          Article you are trying to reach here

Wiki-help page for WhatLinksHere