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??？
瀏覽：98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 - jq 上傳圖片成功后添加一個新的上傳框時出現問題2. html5 - 最近在自學react 求一個react表單提交的例子3. 老師您好!我有一個問題、4. mysql - 千萬數據 分頁，當偏移量 原來越大時，怎么優化速度5. javascript - vscode alt+shift+f 格式化js代碼，通不過eslint的代碼風格檢查怎么辦。。。6. python - angular route 與 django urls 沖突怎么解決？7. python django工程上傳一張照片調用python方法時報錯，請問如何處理？8. 我和老師的代碼對照了幾遍沒發現問題，但是瀏覽器打開就有問題了，求解9. 網站上有個圖標改不了了 求幫忙 是用svg寫的10. python - Django ManyToManyField 字段數據在 admin后臺 顯示不正確，這是怎么回事？
排行榜
網公網安備