从维基百科页面获取所有链接

Question

我正在制作一个Python网络爬虫程序来玩维基百科游戏。

如果您不熟悉这个游戏：

1. 从维基百科的某篇文章开始 2. 选择一个目标文章 3. 仅通过点击wiki/链接，尝试从起始文章到达目标文章

我的处理过程如下：

1. 输入起始文章和目标文章 2. 获取链接到目标文章的文章列表 3. 在避免访问已经被访问的页面的情况下，在起始文章开始执行广度优先搜索找到的链接 4. 检查目标文章是否在当前页面上：如果是，则返回path_crawler_took+goal_article 5. 检查链接到目标文章的任何文章是否在当前页面上。如果其中一个是，则返回path_crawler_took+intermediate_article+goal 我遇到了一个问题，程序返回了一个路径，但是这个路径并没有真正地链接到目标。

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，通过从目标页面抓取所有链接，我可以获得到达目标的链接，但wiki/链接是单向的：仅因为目标链接到某个页面并不意味着该页面链接到目标。

我如何获取链接到目标的文章列表？

- Ian Debian

---

请查看维基百科反向链接工具http://en.wikipedia.org/wiki/Special:WhatLinksHere/Backlink - David Greydanus

Answer 1

维基百科有一个内置工具，可以完成您所描述的操作WhatLinksHere/Backlink。您可以在每个维基百科页面上看到此工具。 您可以简单地从目标反向链接页面上抓取所有链接。

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

什么是链接到此页的页面的维基帮助页面

- David Greydanus