即使你沒聽說過“維基百科六度分隔理論”，也很可能聽過“凱文 • 貝肯 （Kevin Bacon）的六度分隔值游戲”。在這兩個游戲中，目標都是把兩 個不相干的主題（在前一種情況中是相互鏈接的維基百科詞條，而在后 一種情況中是出現在同一部電影中的演員）用一個鏈條（至多包含 6 個 主題，包括原來的兩個主題）連接起來。

比如，埃里克 • 艾德爾和布蘭登 • 弗雷澤都出現在電影《騎警杜德雷》 里，布蘭登 • 弗雷澤又和凱文 • 貝肯都出現在電影《我呼吸的空氣》 里。因此，根據這兩個條件，從埃里克 • 艾德爾到凱文 • 貝肯的鏈條 長度只有 3 個主題。

感謝 The Oracle of Bacon 的存在，滿足了我對這類關系鏈的好奇心。

我們將在本節創建一個項目來實現“維基百科六度分隔理論”的查找方 法。也就是說，我們要實現從埃里克 • 艾德爾的詞條頁面 （https://en.wikipedia.org/wiki/Eric_Idle）開始，經過最少的鏈接點擊次 數找到凱文 • 貝肯的詞條頁面（https://en.wikipedia.org/wiki/Kevin_Bacon）。

這么做對維基百科的服務器負載有多大影響？

根據維基媒體基金會（維基百科所屬的組織）的統計，該網站每秒 會收到大約2500次點擊，其中超過 99% 的點擊都指向維基百科域 名［詳情請見“維基媒體統計圖”（Wikimedia in Figures）里的“流量 數據”（Traffic Volume）部分內容］。因為網站流量很大，所以你 的網絡爬蟲不可能對維基百科的服務器負載產生顯著影響。不過， 如果你頻繁地運行本書的代碼示例，或者自己創建項目來抓取維基 百科的詞條，那么希望你能夠向維基媒體基金會提供一點捐贈—— 不只是為了抵消你占用的服務器資源，也是為了其他人能夠利用維 基百科這個教育資源。

還需要注意的是，如果你準備利用維基百科的數據做一個大型項 目，應該確認該數據是不能夠通過維基百科 API 獲取的。維基百科 網站經常被用于演示爬蟲，因為它的 HTML 結構簡單并且相對穩定。但是它的 API 往往會使得數據獲取更加高效。 你應該已經知道如何寫一段 Python 代碼，來獲取維基百科網站的任何 頁面并提取該頁面中的鏈接了。

from urllib.request import urlopen from bs4 import BeautifulSouphtml = urlopen('http://en.wikipedia.org/wiki/Kevin_Bacon') bs = BeautifulSoup(html, 'html.parser') for link in bs.find_all('a'):  if 'href' in link.attrs:    print(link.attrs['href'])

如果你觀察生成的一列鏈接，會看到你想要的所有詞條鏈接都在里 面：“Apollo 13”“Philadelphia”“Primetime Emmy Award”，等等。但是， 也有一些你不需要的鏈接：

//wikimediafoundation.org/wiki/Privacy_policy