文章詳情頁
網(wǎng)頁爬蟲 - Python爬蟲如何正確判斷頁面是否可以爬取？
瀏覽：197日期：2022-09-03 13:50:21
問題描述
用Python27些爬蟲，想要爬取一些網(wǎng)站，我需要判斷網(wǎng)頁是否可以爬取，第一反應(yīng)是通過狀態(tài)碼來判斷，但是寫完運行后發(fā)現(xiàn)有許多目標網(wǎng)站訪問它不存在的頁面時會返回一個404錯誤頁面，可他的狀態(tài)碼卻是200，結(jié)果爬回來好多根本就不存在的頁面。這個本來是網(wǎng)站設(shè)置的問題，但是現(xiàn)在也不能用狀態(tài)碼來判斷了，請問還有什么方法可以正確判斷一個頁面是不是404該不該爬？
問題解答
回答1：首先， 200 狀態(tài)碼，是網(wǎng)絡(luò)連接狀態(tài)， 所以你只判斷200并不能滿足所有網(wǎng)站。
其次， 寫爬蟲嘛， 你應(yīng)該實際去看看這些網(wǎng)站的規(guī)則是什么，可以先人工判斷下， 找找規(guī)律， 比如看看網(wǎng)頁返回內(nèi)容是不是有什么特點之類的。
回答2：做個網(wǎng)頁內(nèi)容的判斷，如果他網(wǎng)頁里面沒有內(nèi)容就直接返回。
回答3：就算是頁面狀態(tài)碼200，返回的404頁面，應(yīng)該和正常能爬取的頁面html有不同的html元素吧，根據(jù)有沒有特定的html元素來判斷是不是404頁面也行的
相關(guān)文章：
1. mac里的docker如何命令行開啟呢？2. docker - 各位電腦上有多少個容器啊？容器一多，自己都搞混了，咋辦呢？3. nignx - docker內(nèi)nginx 80端口被占用4. docker容器呢SSH為什么連不通呢？5. 關(guān)于docker下的nginx壓力測試6. Docker for Mac 創(chuàng)建的dnsmasq容器連不上/不工作的問題7. 關(guān)docker hub上有些鏡像的tag被標記““This image has vulnerabilities””8. angular.js使用$resource服務(wù)把數(shù)據(jù)存入mongodb的問題。9. docker 下面創(chuàng)建的IMAGE 他們的 ID 一樣？這個是怎么回事？？？？10. docker-compose 為何找不到配置文件？
排行榜
熱門標簽
網(wǎng)公網(wǎng)安備