文章詳情頁
網頁爬蟲 - Python爬蟲如何正確判斷頁面是否可以爬取？
瀏覽：199日期：2022-09-03 13:50:21
問題描述
用Python27些爬蟲，想要爬取一些網站，我需要判斷網頁是否可以爬取，第一反應是通過狀態碼來判斷，但是寫完運行后發現有許多目標網站訪問它不存在的頁面時會返回一個404錯誤頁面，可他的狀態碼卻是200，結果爬回來好多根本就不存在的頁面。這個本來是網站設置的問題，但是現在也不能用狀態碼來判斷了，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 狀態碼，是網絡連接狀態， 所以你只判斷200并不能滿足所有網站。
其次， 寫爬蟲嘛， 你應該實際去看看這些網站的規則是什么，可以先人工判斷下， 找找規律， 比如看看網頁返回內容是不是有什么特點之類的。
回答2：做個網頁內容的判斷，如果他網頁里面沒有內容就直接返回。
回答3：就算是頁面狀態碼200，返回的404頁面，應該和正常能爬取的頁面html有不同的html元素吧，根據有沒有特定的html元素來判斷是不是404頁面也行的
相關文章：
1. javascript - sublime快鍵鍵問題2. javascript - immutable配合react提升性能？3. vue.js - Vue 如何像Angular.js watch 一樣監聽數據變化4. 配置Apache時，添加對PHP的支持時語法錯誤5. css - 寫頁面遇到個布局問題，求大佬們幫解答，在線等，急！~6. javascript - nodejs關于進程間發送句柄的一點疑問7. javascript - 移動端上不能實現拖拽布局嗎？8. phpstudy8.1支持win11系統嗎？9. 實現bing搜索工具urlAPI提交10. Apache 已經把網站根目錄的改為allow from all了，但是服務器還是不能訪問？
排行榜
網公網安備