伏龙阁资源网

python抓取多种类型的页面方法实例
站长资源 2024/11/25 佚名
2 0

与抓取预定义好的页面集合不同，抓取一个网站的所有内链会带来一个 挑战，即你不知道会获得什么。好在有几种基本的方法可以识别页面类型。

通过URL

一个网站中所有的博客文章可能都会包含一个 URL（例如 http://example.com/blog/title-of-post）。

通过网站中存在或者缺失的特定字段

如果一个页面包含日期，但是不包含作者名字，那你可以将其归类 为新闻稿。如果它有标题、主图片、价格，但是没有主要内容，那么它 可能是一个产品页面。

通过页面中出现的特定标签识别页面

即使不抓取某个标签内的数据，你仍然可以利用这个标签。你的爬 虫可以寻找类似于 <div id="related-products"> 这样的元素来识 别产品页面，即便是爬虫对相关产品的内容并不感兴趣。

为了跟踪多个页面类型，你需要在 Python 中有多个类型的页面对象。 这通过两种方式来实现。

如果页面都是相似的（它们基本上都是相同类型的内容），你可能需要 在现有的网页对象中加入一个 pageType 属性：

class Website:
"""所有文章/网页的共同基类"""
def __init__(self, type, name, url, searchUrl, resultListing,
resultUrl, absoluteUrl, titleTag, bodyTag):
self.name = name
self.url = url
self.titleTag = titleTag
self.bodyTag = bodyTag
self.pageType = pageType

如果你在一个类 SQL 的数据库中对这些页面进行排序，这种模式类型 意味着这些页面应该被存放在同一张表中，并且加入一个额外的 pageType 列。

如果你抓取的页面或内容各不相同（它们包含不同类型的字段），就需 要为每个页面类型创建一个新的对象。当然，有些东西是所有网页共有 的——它们都有一个 URL，也可能都有一个名称或者页面标题。这种 情况非常适合用子类：

class Website:
"""所有文章/网页的共同基类"""

def __init__(self, name, url, titleTag):
self.name = name
self.url = url
self.titleTag = titleTag

这不是一个由你的爬虫直接使用的对象，而是将被你的页面类型引用的 对象：

class Product(Website):
"""产品页面要抓取的信息"""
def __init__(self, name, url, titleTag, productNumber, price):    
Website.__init__(self, name, url, TitleTag)
self.productNumberTag = productNumberTag
self.priceTag = priceTag
class Article(Website):
"""文章页面要抓取的信息"""
def __init__(self, name, url, titleTag, bodyTag, dateTag):
Website.__init__(self, name, url, titleTag)
self.bodyTag = bodyTag
self.dateTag = dateTag

这个产品页面扩展了Website基类，并且加入了仅适用于产品的productNumber和price属性，而Article类加入了body和date属性，这两个属性是不适用于产品的。

你可以用这两个类去抓取一个商店网站，该网站除了产品，可能还包含博客文章或新闻稿。

希望以上知识点能够帮助到大家，感谢大家对的支持。

广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
www.wwsws.com 伏龙阁资源网
39,976影音资源
44,792技术资源
21,817软件资源
651,128站长资源

更新日志

友情链接

杰晶网络 DDR爱好者之家 桃源资源网 杰网资源 富贵资源网 南强小屋 铁雪资源网 幽灵资源网 万梅资源网 狼山资源网 白云岛资源网 昆仑资源网 相思资源网 明霞山资源网 内蒙古资源网 黑松山资源网 茶园资源网 饿虎岗资源网 大旗谷资源网 常春岛资源网 岱庙资源网 兴国资源网 快活林资源网 蝙蝠岛资源网 帝王谷资源网 白云城资源网 伏龙阁资源网 清风细雨楼 天枫庄资源网 圆月山庄资源网 无争山庄资源网 神水资源网 移花宫资源网 神剑山庄资源网 无为清净楼资源网 金钱帮资源网 丐帮资源网 华山资源网 极乐门资源网 小李飞刀资源网 凤求凰客栈 风云阁资源网 金狮镖局 鸳鸯亭资源网 千金楼资源网 更多链接