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：112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(biāo)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. 求救一下，用新版的phpstudy，數(shù)據(jù)庫過段時間會消失是什么情況？2. javascript - 在 vue里面用import引入js文件，結(jié)果為undefined3. python沒入門，請教一個問題4. php如何獲取訪問者路由器的mac地址5. html5 - input type=’file’ 上傳獲取的fileList對象怎么存儲于瀏覽器？6. 小程序怎么加外鏈，語句怎么寫！求救新手，開文檔沒發(fā)現(xiàn)7. 求教一個mysql建表分組索引問題8. node.js - 用nodejs 的node-xlsx模塊去讀取excel中的數(shù)據(jù)，可是讀取出來的日期是數(shù)字，請問該如何讀取日期呢？9. sql語句如何按or排序取出記錄10. javascript - vue-resource中如何設(shè)置全局的timeout？
排行榜
熱門標(biāo)簽
網(wǎng)公網(wǎng)安備