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

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。

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。

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